| 摘要: |
| 目的:探讨基于磁共振成像(MRI)矢状位 T2 加权成像(T2WI)的深度学习影像组学预测
高危孕妇胎盘植入性疾病(PAS)的诊断价值。 方法:回顾性分析兰州大学第二医院(第二临床医学
院)和河西学院附属张掖人民医院 2019 年 1 月至 2023 年 12 月 265 例因可疑胎盘植入行 MRI 检查
的孕妇的完整资料,按 7 ∶ 3 将患者随机分为训练组(n = 172)与验证组(n = 93),并根据术中是否诊
断 PAS 分为 PAS 组和正常组。 采用多因素 Logistic 回归分析筛选临床影像特征独立危险因素。 分
别基于矢状位 T2WI 图像提取影像组学特征,基于密集连接卷积神经网络-121(DenseNet-121)模型
作为深度学习特征提取的基础模型,构建传统的临床模型、影像组学模型、深度学习模型预测 PAS,
采用受试者工作特征(ROC)曲线下面积(AUC)评价各模型的诊断效能,AUC 值最大者确定为最优
模型。 结果:训练组及验证组中,PAS 组与正常组在剖宫产次数≥2 次、存在前置胎盘及胎盘厚度 >
40 mm 差异均有统计学意义(P < 0. 05)。 多因素 Logistic 回归分析得出剖宫产次数≥2 次、胎盘厚
度 > 40 mm 及存在前置胎盘为发生 PAS 的独立危险因素,构建的所有模型中深度学习联合临床的
组合模型的诊断效能显著优于其他 3 种模型,其在训练组和验证组中的 AUC 分别为 0. 96(95% CI
0. 93 ~ 0. 98)、0. 91(95% CI 0. 87 ~ 0. 95)。 结论:基于 MRI 的深度学习联合临床模型在诊断 PAS 方
面可能比临床或传统影像组学模型表现出更好的性能。 |
| 关键词: 磁共振成像 深度学习 胎盘植入性疾病 影像组学 |
| DOI： |
|
| 基金项目:甘肃省科技计划项目(编号:21JR7RA438);2024 年高校教师创新基金项目(编号:2024A-153);兰州市人才创新创业项目(编号:2022-RC-74) |
|
|
|
| () |
| Abstract: |
|
| Key words: |
