摘要：·子宫内膜癌（Endometrial Cancer, EC）发病率逐年上升，分子分型成为新版FIGO（2023）分期推荐的重要参考，指导预后判断和个体化治疗。
子宫内膜癌和宫颈癌的影像学检查
CT 检查中高密度肺部异常表现
可代做分享：基于深度学习特征的膀胱尿路上皮癌淋巴血管侵犯CT图像预测模型
飞越拥堵空域：慢性鼻窦炎的影像学
磁共振评估左心室舒张功能： 原因、方法与时机
·子宫内膜癌（Endometrial Cancer, EC）发病率逐年上升，分子分型成为新版FIGO（2023）分期推荐的重要参考，指导预后判断和个体化治疗。
·当前分子分型需要依赖侵入性组织学检查和分子检测，受限于技术条件，经济负担大，并非所有患者都能获得分型结果。
·磁共振成像（MRI）能够表征肿瘤的软组织特性，但传统MRI对分子分型敏感性不足。
·基于影像的放射组学（radiomics）及深度学习（DL）方法可实现特征自动提取，有助于获取与分子类型相关的诊断信息，但高质量、多中心验证的临床融合模型研究稀少。
·本研究为多中心回顾性研究，共纳入2020年1月至2024年3月三家机构收治的526例术前MRI和分子病理结果确诊的EC患者。
·数据分为训练集、内部验证集、外部验证集。每序列手工提取386个放射组学特征，同时通过MoCo-v2自监督对比学习（预训练ResNet-50网络），自动提取2048个DL特征。
·融合患者临床病理信息（如年龄、BMI、CA125、病理类型、分级、肌层浸润、淋巴结状态等）。
·采用逐步特征筛选（检验+递归特征消除），并综合12种主流机器学习方法建模（如LR、RF、SVM、XGBoost等），最终将临床+放射组学+DL特征集成构建“临床-放射组学-深度学习”模型，并进行多中心外部验证。
·以AUC为主要评价指标，采用SHAP方法阐释模型决策依据。
·临床模型与放射组学模型在内部/外部验证集宏平均AUC分别为0.69/0.70和0.67/0.70，性能相似。
·纯深度学习模型AUC较低（内部0.68，外部0.62），但放射组学+DL模型提升明显（内部0.73，外部0.69）。
·最终的“临床-放射组学-DL模型”性能最佳，内部验证集AUC 0.79，外部AUC 0.74；尤其对POLEmut和p53abn分型诊断效果突出（p53abn外部AUC 0.81）。
·多模态、多特征融合是提高分型准确性的关键。
·模型解释分析表明高度侵袭性病理类型、肌层浸润等传统指标仍有一定权重，DL/Rad特征对于POLEmut和p53abn的分类贡献较大。
·外部独立验证显示模型具有较高的泛化能力。
1.样本与类别不平衡：部分分型（如POLEmut）患者数量偏少，影响模型性能和泛化，后续需纳入更大样本。
2.外部验证规模有限：验证人群数量相对较小，建议未来扩大数据集并多中心、前瞻性验证。
3.ROI分割手动操作：肿瘤ROI轮廓由人工描绘，存在一定主观偏差，可引入自动分割的DL算法以优化稳定性。
4.影像采集异构性：MRI设备（1.5T/3.0T）、序列多样及部分无法获取ADC值，增加了异质性；建议后续严格标准化扫描协议，并收集完整序列。
5.当前预后预测有限：本研究仅关注分子分型，后续需结合长期随访探讨模型对预后（复发/生存）的预测价值。
使用 SHAP 方法进行全局模型解释。A–D 左图：SHAP 汇总条形图。A–D 右图：SHAP 汇总点图。EC 分子亚型分类的概率随着特征的 SHAP 值增加而增加。模型中的每个患者都由一个点表示，该点对应于他们的 SHAP 值，每个特征对应一个点。这些点的颜色反映了特征值：红色表示较高的值，而蓝色表示较低的值。这些点垂直排列以指示密度。平均值 (|SHAP 值|) 表示对模型输出的平均影响幅度。
来源：影像诊断小札记