基于臨床-超聲影像組學列線圖模型預測孕晚期早產的價值

周匯恩 陳婉明 王夢蝶 羅斯佳 陳佳琳 何堃 過新民

廣州市紅十字會醫院暨南大學附屬廣州紅十字會醫院超聲醫學科（廣州 510240）

近年來，國內報道早產兒的發生率呈上升趨勢，研究報告中的早產率為6.1%，二胎政策的實施導致高齡產婦有所增加可能是早產率增加的重要因素［1］。我國2014 年早產指南中指出，經陰道超聲測量宮頸管長度（cervical length，CL）是預測早產高危人群的金標準［2］，且因超聲具有無痛、無創且操作便捷、實用性高等特點，能更好地對孕婦宮頸管長度變化進行動態觀察［3-4］。妊娠期宮頸的過早重塑、軟化和擴張與宮頸組織中的細胞外基質剛性、膠原交聯成熟度比率有關，變化難以通過傳統超聲進行鑒別［5］。與傳統的成像方法相比，影像組學能更為客觀量化傳統超聲無法觀察到的信息，從而為臨床診斷提供重要依據［6］。經陰道超聲影像組學對預測早產風險的研究報道較少，本研究經特征降維篩選、使用邏輯回歸建模方法，建立結合經陰道超聲影像組學特征和臨床危險因素的臨床-超聲影像組學模型，并探討其在早產中的應用。

1 資料與方法

1.1 研究對象 回顧性分析2017 年1 月至2022 年12 月就診于我院定期產檢妊娠期婦女，記錄一般資料。行經陰道超聲檢查，測量CL，并保存宮頸清晰圖像。納入標準：（1）在本院建檔并分娩；（2）妊娠滿28 周但不足37 周；（3）單胎且為頭位。（4）產檢胎兒胎盤無異常。排除標準：（1）合并子宮肌瘤或子宮腺肌癥；（2）宮頸機能不全；（3）孕婦子宮發育畸形或有宮頸手術史；（4）臨床資料不完整；（5）超聲圖像不清晰。

隨訪妊娠結局，孕周由末次月經和孕早期超聲檢查聯合確定。將研究對象分為早產組和足月產組。共納入117例孕婦，其中早產組48例，足月產組69 例，年齡20 ～38 歲，平均28.9 歲。本研究經暨南大學附屬廣州紅十字會醫院倫理審查委員會批準。

1.2 圖像采集 所有入組的孕婦均進行宮頸超聲檢查，采用GE Voluson E10 和E8 超聲診斷儀進行圖像采集，經陰道探頭頻率為5 ～9 MHz。孕婦經陰道超聲檢查前需排凈尿液、清空膀胱，患者保持膀胱截石位置。使用陰超探頭，對宮頸進行全面細致的掃查，在不施加壓力的情況下獲得宮頸矢狀面，以識別宮頸內外口。在測量過程中，應特別注意避免子宮峽部收縮導致的測量誤差。

1.3 方法

1.3.1 特征提取 運用3D-slicer 軟件，手動繪制宮頸邊界，勾畫感興趣區域（ROI），如圖1 所示。對勾畫好的ROI 進行特征提取，提取的特征類型包括第一階特征，形狀特征和紋理特征，本研究共提取出851 個超聲組學特征，保存于Excel 表格中。

圖1 經陰道超聲宮頸圖像及宮頸ROI 示意圖Fig.1 Schematic diagram of transvaginal ultrasound cervical images and cervical ROI

1.3.2 特征篩選 對117 例病例以8∶2 的比例劃分為訓練集和驗證集，將訓練集及驗證集提取好的特征進行Z標準化（Z-score），訓練集用于模型擬合，驗證集用于驗證模型的泛化能力。通過U檢驗分析及最小絕對收縮和選擇算子（least absolute shrinkage andselectionoperator，LASSO）算法對特征進行篩選。經U 檢驗及LASSO 降維最終選取14 個系數非零的穩定特征。

1.3.3 構建模型 將所選特征通過邏輯回歸分別構建超聲組學模型，聯合臨床特征及影像組學特征建立聯合模型，并繪制列線圖使結果可視化。

1.3.4 模型評估 用受試者工作特征曲線（ROC）分析曲線下面積（AUC）來量化每個模型的性能，評價指標分別為AUC、敏感性、特異性，為了評估模型的臨床實用性，使用決策曲線（DCA）來檢驗模型的臨床應用價值，使用校準曲線評價模型在訓練集和驗證集中的擬合程度。

1.4 統計學方法 使用SPSS23.0 進行統計學分析，R 語言（4.3.0）用于構建和評估預測模型。若是連續變量，符合正態分布的數據，以平均數±標準差表達，組間比較用t檢驗。若非正態分布數據采用中位數（四分位數）表達，組間比較用秩和檢驗。計數資料以例（百分比）表示，組間比較采用χ2檢驗。使用邏輯回歸構建組學及聯合模型來分析對早產的預測價值。以P＜0.05 認為差異有統計學意義。

2 結果

2.1 臨床資料 孕婦年齡與CL 兩組差異有統計學意義（P＜0.05），妊娠期糖尿病、妊娠期高血壓疾病兩組差異無統計學意義（P＞0.05）。見表1。

表1 妊娠期婦女基本臨床信息Tab.1 Basic clinical information for women during pregnancy

2.2 超聲影像組學特征提取及篩選 本研究共提取出851 個超聲影像組學特征，使用U檢驗對特征進行初步篩選，然后使用LASSO 降維最終選取14 個系數非零的穩定特征，如圖2、3 所示。超聲組學評分為納入特征的定量表達值與其系數的線性相乘，見表2。

表2 構建超聲組學模型的影像組學特征Tab.2 Building an ultrasound radiomics model of the radiomics features

圖2 LASSO 擬合的交叉驗證的MSE 值Fig.2 Cross-validated MSE values for the LASSO fit

圖3 特征系數和λ 的函數關系Fig.3 The relationship between the characteristic coefficients and λ

2.3 建立模型

2.3.1 影像組學模型 基于14 個宮頸超聲影像組學特征建立預測早產的影像組學模型，訓練集的ROC 曲線如圖4 所示，AUC、敏感度、特異度分別為0.841［95%CI（0.761，0.921）］、66.7%、86.8%、驗證集的ROC 曲線如圖5 所示，AUC、敏感度、特異度分別為0.824［95%CI（0.616，1.00）］、83.3%、76.5%。

圖4 訓練集超聲影像組學模型ROC 曲線Fig.4 ROC curve of ultrasound radiomics model for training set

圖5 驗證集超聲影像組學特征ROC 曲線Fig.5 ROC curve of ultrasound radiomics model for validation set

2.3.2 聯合模型 基于2 個臨床特征（年齡、CL）和14 個宮頸超聲影像組學特征建立預測早產的聯合模型，訓練組的ROC 曲線如圖6 所示AUC、敏感度、特異度分別為0.908［95%CI（0.850，0.966）］、90.5%、76.9%；驗證集的ROC 曲線如圖7 所示，AUC、敏感度、特異度分別為0.892［95%CI（0.693，0.100）］、83.3%、100%。

圖6 訓練集聯合模型ROC 曲線Fig.6 ROC curve of combined model for training set

圖7 驗證集聯合模型ROC 曲線Fig.7 ROC curve of combined model for validation set

2.4 列線圖的構建 將臨床及超聲特征的獨立預測因子與納入影像組學模型建立列線圖，如圖8所示。

圖8 預測早產聯合模型列線圖Fig.8 Nomogram of predicting preterm birth combined model

2.5 決策曲線評估 為了檢驗模型的臨床實用性，本文使用DCA 曲線對模型進行評估，訓練集和驗證集的DCA 曲線分別如圖9、10 所示。發現在0.2 ～0.8 閾值內聯合模型的臨床實用性優于超聲影像組學模型。和由ROC 曲線推出的結論一致。

圖9 訓練集DCA 曲線對比Fig.9 Comparison of DCA curves of training sets

圖10 驗證集DCA 曲線對比Fig.10 Comparison of DCA curves of validation sets

2.6 校準曲線評估 為了展示預測值和實際值的差距，本文使用校準曲線來作為該邏輯回歸模型的重要評估部分如圖11-14 所示。由圖11、12 與圖13、14 的對比得知，聯合模型不管是在訓練集還是在驗證集中準確度都優于超聲影像組學模型。

圖11 訓練集超聲影像組學校準曲線Fig.11 Calibration Curve of ultrasound radiomics model for training set

圖12 驗證集超聲影像組學校準曲線Fig.12 Calibration Curve of ultrasound radiomics model for validation set

圖13 訓練集聯合模型校準曲線Fig.13 Calibration Curve of combined model for training set

圖14 驗證集聯合模型校準曲線Fig.14 Calibration Curve of combined model for validation set

3 討論

經陰道超聲評估宮頸管等對早產風險的預測有著重要意義［7-9］。但是，目前國內外基于超聲影像組學特征建立預測模型來評估早產風險的研究較少。本研究通過邏輯回歸分析經陰道超聲影像組學特征，建立預測早產的模型，本文發現模型具有較佳的診斷效能，本研究還聯合了年齡及CL 這兩個影響早產的傳統危險因素建立聯合模型，表明聯合模型可提高其診斷價值。

早產嚴重影響母嬰健康安全，因此，有必要早篩查、早發現，及時實施醫學干預，降低早產風險，優化母嬰結局［2］。超聲是妊娠期應用最廣泛的影像學檢查方法，但存在檢查效率較低、經驗依賴性強等缺點［10］。超聲影像組學基于超聲圖像，將肉眼無法分辨的圖像信息量化為數據［11］。人工智能技術逐漸被用于產科超聲檢查的各個方面［12］，主要包括胎兒結構切面的智能識別、產科超聲參數的自動測量以及生長發育情況智能輔助評估等［13］。既往已有研究探索超聲影像組學對預測早產風險的意義。一項前瞻性研究通過對孕中期宮頸超聲組織紋理進行定量分析，認為自發性早產與孕中期宮頸紋理特征有關，宮頸超聲紋理定量分析能識別自發性早產的風險［14］。另外一項多中心研究研究顯示，與單純超聲測量CL 方法相比，在20 ～22 周時對超聲宮頸紋理進行定量分析可提高早產的檢出率，兩者聯合可以顯著提高預測性能［15］。本研究提取孕晚期宮頸經陰道超聲的超聲影像組學特征，并通過降維篩選去除冗余特征，以防止數據過擬合、提高模型穩定性，最終篩選出14 個最優特征。其中，絕大多數屬于紋理特征，表明紋理特征具有良好的分類作用。訓練集及驗證集中，基于14 個影像組學特征建立的超聲影像組學模型預測早產的訓練集及驗證集的AUC分別為0.841［95%CI（0.761，0.921）］、0.824［95%CI（0.616，1.00）］，表明超聲影像組學特征鑒別診斷效能較佳。既往研究認為，高齡、妊娠期糖尿病、妊娠期高血壓疾病、宮頸管縮短是早產的危險因素［7，16］。本研究統計結果顯示，妊娠期糖尿病與妊娠期高血壓疾病差異無統計學意義，這可能由于樣本量少，造成數據偏倚所致。年齡與CL 有統計學意義，因此本研究聯合年齡與CL 2 個臨床特征和14 個超聲影像組學特征建立的聯合模型鑒別診斷的AUC 分別為0.908［95%CI（0.850，0.966）］及0.892［95%CI（0.693，0.100）］，其效能優于超聲影像組學模型，表明超聲影像組學特征進一步聯合臨床特征可提高其診斷價值。本研究還使用簡潔明了的列線圖形式對模型進行了呈現。校準曲線貼合良好，表明該模型校準度良好。臨床決策曲線圖顯示該模型的潛在臨床獲益可觀。

本研究尚存在一定的局限性，首先，由于單中心樣本量有限，數值波動性較大，今后的研究中需要采用更大樣本和進行多中心研究；其次，本研究僅針對灰階圖像進行分析，在未來的研究中，可納入宮頸角測量、彈性成像等技術進行多模態研究，構建更穩健的模型。早產的影響因素極其復雜，不能通過單一的檢查就能準確預測，未來需要建立預測模型，結合孕婦的病史、生產史以及一系列生物、物理和生化標記物等進行動態觀察［17-20］，實現精準的個體化早產預測。本研究對超聲檢測孕晚期宮頸長度預測早產只是初步探討，其實際應用于臨床仍處于早期發展階段，仍需要多中心大樣本量的研究加以證實。

綜上所述，使用經陰道超聲影像組學特征建立的預測模型效能較佳，可協助評估孕婦早產風險，聯合臨床特征可進一步提高其診斷效能。基于超聲圖像特征及臨床特征構建的影像組學模型能預測早產發生的風險，可為臨床診治提供參考依據。因此，超聲影像組學在早產預測中具有較好的應用價值和前景。

【Author contributions】ZHOU Huien and CHEN Wanming performed the experiments and wrote the article.WANG Mengdie and LUO Sijia performed the experiments.CHEN Jialin and HE Kun revised the article.GUO Xinmin designed the study and reviewed the article.All authors read and approved the final manuscript as submitted.