本研究由Jiaojiao Li、Jianing Zhang、Fang Wang等作者完成，主要研究人员来自河北北方学院附属第一医院放射科和天津医科大学肿瘤医院放射科。通讯作者为Zhaoxiang Ye。该研究发表于Academic Radiology期刊，2024年第31卷第5期，页码1918至1930。

上皮性卵巢癌（epithelial ovarian cancers，EOCs）是女性生殖系统中致死率最高的恶性肿瘤，其中约90%的卵巢癌为上皮性来源。腹膜转移（peritoneal metastasis，PM）是上皮性卵巢癌最常见的转移方式之一，与患者极差的预后密切相关。对于伴有腹膜转移的上皮性卵巢癌患者，临床上推荐先行新辅助化疗（neoadjuvant chemotherapy）后再进行肿瘤细胞减灭术（cytoreductive surgery）；而无腹膜转移的患者则可能直接获益于手术治疗。因此，术前准确判断腹膜转移状态对于制定个体化治疗方案和避免不必要的手术创伤至关重要。然而，传统计算机断层扫描（computed tomography，CT）对腹膜转移的检出敏感性较低，尤其是对隐匿性腹膜转移（occult peritoneal metastasis，OPM）的诊断更为困难。隐匿性腹膜转移被定义为术前CT无法检测到、但随后经腹腔镜探查或开腹手术及病理检查证实的腹膜转移。针对这一临床难题，本研究旨在开发一种综合模型，将CT影像组学（radiomics）特征与临床及放射学预测因素相结合，以提高术前预测上皮性卵巢癌患者隐匿性腹膜转移的准确性。

本研究为单中心回顾性研究，共纳入224例上皮性卵巢癌患者，随机按7：3比例分为训练集（156例）和测试集（68例）。纳入标准包括：术后病理证实为上皮性卵巢癌；术前2周内行增强CT检查；术前CT未显示典型腹膜转移征象（如网膜饼、大量腹水、明显腹膜不规则增厚伴强化等）；术后手术及病理证实存在或不存在腹膜转移。排除标准包括图像质量差、术前接受过抗肿瘤治疗、临床资料不完整以及病灶长径小于1厘米。所有患者均行门静脉期增强CT扫描，扫描范围自膈顶至耻骨联合下缘。CT扫描参数包括管电压120 kVp、自动管电流、视野300至500毫米、矩阵512×512、层厚1.25至2.5毫米。收集的临床因素包括年龄、人附睾蛋白4（human epididymal protein 4，HE4）、糖类抗原125（carbohydrate antigen 125，CA-125）、绝经状态和腹部不适情况。放射学特征由两位分别具有8年和10年腹盆腔影像诊断经验的放射科医师在不知晓病理结果的情况下独立评估，包括肿瘤单双侧、增厚分隔（厚度大于3毫米）、壁结节（最大厚度大于3毫米）、形态（囊性或以囊性为主、囊实性、以实性为主或纯实性）、边缘（清晰、介于清晰与模糊之间、模糊）、强化程度（轻度或中重度）以及肿瘤横径。肿瘤分割采用3D Slicer软件在门静脉期CT图像上逐层手动勾画感兴趣区（region of interest，ROI），避开血管和其他腹盆腔器官。若患者为双侧肿瘤，仅对较大肿块进行分割和影像组学分析。随机选取30例患者进行观察者间和观察者内组内相关系数（intraclass correlation coefficients，ICCs）评估。使用PyRadiomics包从每个患者的CT图像中提取了1316个影像组学特征，包括一阶统计特征、三维形状特征、纹理特征、拉普拉斯高斯特征和小波特征。影像组学特征筛选采用三步法：首先保留观察者内和观察者间ICCs均大于0.80的特征以保证稳定性和可重复性；然后通过Pearson或Spearman相关分析去除相关系数大于0.90的高共线性特征；最后采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）算法在训练集中选择最具预测价值的影像组学特征。LASSO模型的最优lambda值通过10折交叉验证确定，最终lambda值为0.052，筛选出14个影像组学特征。每位患者的影像组学评分（radiomics score，Radscore）通过所选特征与其系数的线性组合计算得出。在模型构建方面，首先在训练集中通过单因素分析筛选具有统计学意义的临床和放射学因素，然后采用多因素逻辑回归分别构建临床模型和放射学模型。影像组学模型则由LASSO筛选出的显著影像组学特征构建。综合模型将显著的临床放射学因素与Radscore通过多因素逻辑回归整合而成，并基于综合模型绘制列线图（nomogram）以便于临床应用。模型的诊断性能通过受试者工作特征曲线（receiver operating characteristics curve，ROC）及曲线下面积（area under the curve，AUC）进行评估，采用净重分类指数（net reclassification index，NRI）和综合判别改善指数（integrated discrimination improvement，IDI）比较不同模型间的诊断性能差异，并通过决策曲线分析（decision curve analysis，DCA）和校准曲线评估模型的临床实用性和校准度。

在临床和放射学特征的单因素分析中，训练集和测试集均显示HE4水平、CA-125水平、肿瘤单双侧、肿瘤横径、壁结节、形态和边缘与隐匿性腹膜转移显著相关。年龄、绝经状态、腹部不适和强化程度在有无隐匿性腹膜转移组间无统计学差异。增厚分隔在训练集中有统计学差异，但在测试集中无统计学差异。多因素逻辑回归分析显示，HE4和CA-125是预测隐匿性腹膜转移的独立临床危险因素，被纳入临床模型；肿瘤单双侧、增厚分隔和边缘是独立的放射学预测因素，被纳入放射学模型。综合模型进一步整合了显著的临床因素、放射学因素和Radscore。在训练集中，临床模型、放射学模型和影像组学模型的AUC分别为0.759、0.819和0.830；在测试集中，三者的AUC分别为0.846、0.835和0.779。综合模型在训练集和测试集中的AUC分别达到0.901和0.912，均优于其他三种模型。NRI和IDI分析显示，综合模型在训练集和测试集中均显著提高了对隐匿性腹膜转移的分类准确性（所有P值均小于0.05）。校准曲线显示综合模型在训练集和测试集中预测值与实际观察值之间具有良好的一致性，Hosmer-Lemeshow拟合优度检验无统计学显著性（训练集P=1.000，测试集P=0.541）。决策曲线分析表明，综合模型相较于临床模型、放射学模型和影像组学模型具有更高的净获益。

本研究证实了基于CT的影像组学特征在预测上皮性卵巢癌患者隐匿性腹膜转移方面具有潜在价值。将放射学特征、影像组学特征和临床危险因素相结合的综合模型获得了最高的诊断性能，有望为上皮性卵巢癌伴隐匿性腹膜转移患者的精准医疗提供指导。该研究的创新之处在于，此前关于CT影像组学预测上皮性卵巢癌隐匿性腹膜转移的研究证据较为有限，本研究通过整合多维度信息构建的综合模型显著提高了术前预测的准确性。此外，研究团队将代码在GitHub上公开，便于其他研究者使用PyRadiomics提取影像组学特征并构建各自的模型。在14个重要影像组学特征中，球形度（sphericity）具有最大的权重系数，提示肿瘤形状不规则性与侵袭性和转移潜能密切相关。同时，14个特征中有8个小波特征，表明小波特征与上皮性卵巢癌隐匿性腹膜转移高度相关，这可能是因为小波特征通过分解原始图像的频率信号能够更有效地捕捉肿瘤的边缘和实质特征。

本研究也存在一定的局限性。首先，研究采用回顾性设计，仅纳入接受手术的患者，可能存在选择偏倚，需要前瞻性研究进一步验证。其次，本研究为单中心研究，样本量相对有限，未来需要多中心、更大样本量的研究。第三，仅采用门静脉期CT图像提取影像组学特征，结合其他时相的特征可能进一步提高模型的诊断性能。最后，尽管综合模型的敏感性较既往依靠放射科医师经验的诊断有明显提高，但仍处于中等水平，未来可探索基于更大样本的深度学习模型以进一步提高敏感性等诊断指标。