传统放射组学与VGG-SAM融合策略在基于MRI的宫颈癌术前预测神经周围侵犯方面的比较评估

《Abdominal Radiology》：Comparative evaluation of conventional radiomics and VGG-SAM fusion strategies for MRI-based preoperative prediction of perineural invasion in cervical cancer

　　

摘要

目的

神经周围侵犯（PNI）是宫颈癌的一个不良特征，可能会影响保留神经的手术。我们比较了传统的放射组学方法和基于VGG-SAM的深度学习方法在MRI辅助下对PNI的术前预测效果。

方法

研究分析了103名宫颈癌患者的数据，其中82名为PNI阴性患者，21名为PNI阳性患者。从原始DICOM MRI图像和配对的肿瘤掩膜中提取了PyRadiomics特征。评估了四种深度学习模型：仅使用VGG、仅使用SAM、VGG + SAM的简单融合模型以及VGG + SAM的可学习融合模型。采用患者分层五折交叉验证方法进行评估。主要评估指标包括敏感性、特异性、平衡准确率、F1分数、ROC-AUC和PR-AUC。通过10,000次配对自助重采样和精确的McNemar检验来评估简单模型与可学习模型之间的不确定性。

结果

最强的放射组学模型PyRadiomics + XGBoost达到了0.6057的平衡准确率、0.3684的F1分数、0.6731的ROC-AUC和0.4460的PR-AUC。简单的VGG + SAM融合模型在敏感性（0.5714）、平衡准确率（0.7491）、F1分数（0.6154）、ROC-AUC（0.7854）和PR-AUC（0.6231）方面表现最佳。可学习融合模型在特异性（0.9634）和精确度（0.7500）上表现最高，同时保持了最高的准确率（0.8544）。配对自助比较显示，在临床相关指标上存在较大的置信区间。

结论

VGG-SAM混合模型的性能优于传统的放射组学方法，但更高的融合复杂性并未带来一致的好处。简单的融合模型更倾向于提高敏感性，而可学习融合模型主要将性能指标向更高的特异性方向调整。需要更大规模的多机构队列和临床对比研究来进一步验证这些结果。