作者：许晓阳，刘碧华，广东医科大学；郑昌业，东莞市人民医院
植入性胎盘谱系疾病（placenta accreta spectrum,PAS）是胎盘绒毛异常黏附或侵入子宫肌层的一类疾病的总称。PAS 若未能及时诊断和治疗，可导致孕妇大量出血、休克和子宫穿孔，严重者危及生命。早期准确识别PAS、精准预测胎盘植入类型、术前对病人进行风险分层，对病人的围手术期管理策略及手术方案选择具有重要的指导价值。
MRI 因具有软组织分辨力高，便于显示后壁植入、广泛植入及宫旁组织受侵范围等优势，越来越多地应用于胎盘植入的产前诊断；但其对PAS 的诊断仍受限于诊断医师的经验。此外，肉眼无法识别一些可以反映病变异质性的微观定量特征，因此在诊断效能及提示预后方面存在一定局限性。
近年来，人工智能技术的迅猛发展，促进了影像组学和深度学习在肿瘤等疾病的诊断、分期、预后预测等方面的研究与应用。影像组学是采用自动化、高通量的方法从CT、MRI、PET 等医学影像中提取大量定量特征的方法。影像组学的基本框架，包括以下4 步工作流程：图像采集、感兴趣区勾画、特征提取与筛选、建立预测模型。
提取的特征包括强度、形状、纹理等方面的信息，经过特征筛选、降维，以及选择机器学习或统计分析的方法，包括逻辑回归、随机森林、决策树、支持向量机、K 邻近算法等，建立不同的预测模型。可提供更全面的信息，对于临床治疗决策和预后预测具有较大的价值。
深度学习作为机器学习领域中的重要分支，通过多层神经网络结构，可通过运用各种机器学习算法自主选择最佳特征，完成图像处理任务。目前常用的深度学习模型主要包括U-Net、卷积神经网络、循环神经网络等，且已广泛应用于肿瘤研究的多个方面。影像组学和深度学习在提高诊断效能、评估PAS 分型及不良结局方面较传统影像学检查方法优势明显，成为目前研究热点。本文对影像组学及深度学习在PAS 中的研究进展进行综述。
1. PAS 诊断
1.1 基于影像组学的诊断
传统MRI 诊断PAS 主要依靠宏观特征分析，对胎盘组织特征观察价值有限，且结果准确性主要依赖阅片医生个人经验，而纹理分析作为影像组学的一部分，可以定量检测胎盘组织异质性，识别肉眼无法观察的细微病变。Chen 等纳入46例胎盘植入和34 例无胎盘植入病人，基于T2WI 影像提取纹理特征以量化胎盘异质性，结果显示植入组和非植入组的像素强度标准差和分型分析有显著差异。
Sun 等采用纹理分析和机器学习对99 例胎盘植入病人和56 例无胎盘植入病人的MRI 影像进行评估，结果显示，联合多个纹理参数受试者操作特征（ROC）曲线下面积（AUC）达到0.98，诊断特异度与经验丰富的放射科医生相当，提示MRI 纹理分析和机器学习相结合可以准确识别胎盘植入的病人；该研究还发现，发生植入的胎盘具有独特的异质性纹理模式，与由成熟胎盘或疾病引起的异质性不同。
Romeo 等基于纹理特征和机器学习算法构建模型评估
以上研究提示，胎盘纹理特征分析具有潜在的优势，可作为临床诊断PAS 的有效辅助工具，但是纹理分析因影像采集缺乏质量控制保证、特征选择稳定性较差等原因，尚未广泛应用于临床。全面的影像组学评估还包括高阶纹理分析和形态特征分析，可通过机器学习对影像特征进行筛选和分类。
Peng 等对来自多中心的156 例胎盘植入和115 例无胎盘植入病人进行回顾性研究，联合3 个MRI 影像组学特征、2 个产前临床特征和2 个MRI 形态学特征，构建MRI 影像组学-临床列线图预测PAS，采用ROC 曲线评估模型的预测效能，结果显示，基于T2WI 的影像组学模型在训练集和外部验证集的AUC 均高于MRI 形态学模型的AUC（分别为0.89∶0.78、0.91∶0.81）。该结果与Hu 等的研究结果一致。
此外，Peng 等还发现宫腔手术史和2 个MRI 特征（子宫/胎盘隆起和胎盘内异常血管）是胎盘植入的独立预测因子。Lu 等联合多序列MRI 进行研究，从181 例疑似PAS 孕产妇的半傅里叶单次激励快速自旋回波（half -Fourier acquisition single-shot turbo spin echo,HASTE） 和真实稳态进动快速成像（true fast imaging with steady state precession, true FISP）序列影像中，通过小波变换或高斯滤波过滤特征，分别从HASTE 和trueFISP 序列中提取了5 个、3个影像组学特征，基于影像组学特征、临床特征、影像学特征模型及其联合模型预测PAS，结果显示联合模型在训练集和验证集中的AUC 分别为0.898 和0.858，优于独立的临床模型或影像组学模型。
1.2 联合影像组学与深度学习的诊断
近几年，深度学习和影像组学呈现出相互融合、协同发展的趋势，很多研究者开始把深度学习特征引入影像组学，将不同维度的信息进行融合、互补，以提高模型的准确性和可靠性。多项研究表明，基于影像组学与深度学习融合的研究方法可以帮助临床筛选胎盘植入病人，具有较好的应用前景，如Peng 等基于MRI 的深度学习方法评估胎盘植入的效能，纳入324 例疑似PAS 病人的MRI 影像资料，发现深度学习模型的预测效能高于临床模型和MRI 形态学模型，具有一定的临床应用潜力。
Shao 等纳入了72例胎盘植入和40 例无胎盘植入的产妇，将影像组学、临床危险因素、深度学习相结合，采用LASSO 算法对93 个影像组学特征和128 个深层学习特征进行滤波，得到12 个组合特征，基于组合特征和临床危险因素构建列线图，在验证集中列线图的AUC值为0.985，特异
Ye等对来自2 个中心的407 例病人进行回顾性研究，分别建立临床因素模型、影像组学模型、深度学习模型及三者联合模型预测胎盘植入，发现联合模型的效能优于其他单独模型的，在验证集和测试集中AUC 分别为0.872 和0.857；该研究还进行独立的外部验证，校准曲线显示在多个中心保持稳定，泛化性较好。
以上研究发现，结合深度学习与影像组学建立预测模型，不仅可提升分割效率，且对比单纯的影像组学模型或深度学习模型进一步提升了诊断的准确性和可靠性，有助于未来加入大数据量的研究，帮助临床制定诊疗计划。
2.胎盘植入类型预测
病理学上根据胎盘绒毛侵入子宫肌层的深度不同，将PAS 分为3 型：（1）粘连型胎盘，胎盘绒毛异常黏附于子宫肌层，底蜕膜缺失。（2）植入型胎盘，胎盘绒毛侵犯子宫肌层，但未达浆膜层。（3）穿透型胎盘，胎盘绒毛突破子宫肌层全层，穿透浆膜层，甚至累及膀胱或邻近其他盆腔器官，后两型合称为侵入性PAS。
发生胎盘植入的病人分娩时会出现胎盘不同程度剥离困难、
Xuan 等利用U-net 在多平面MRI 影像上实现自动分割，使用动态卷积神经网络提取深度学习特征，基于影像组学特征与深度学习特征联合构建模型预测胎盘植入类型，结果显示该联合模型的AUC、准确度、敏感度、特异度分别为0.904、0.877、0.857、0.954，表明联合影像组学特征和深度学习特征为产前帮助临床明确胎盘植入分型提供了新的方法，有助于发展PAS 分型的精确预测；该研究还发现U-net 分割模型准确度为0.954，提示其可在一定程度上代替放射科医生手动分割胎盘ROI。
3.胎盘植入预后风险评估
影像组学还可以对胎盘植入病人的不良结局（如术中大量失血、子宫切除）进行产前风险预测。Do 等发现将T2WI、DWI、ADC 影像提取到的纹理特征相结合，可有效识别需要子宫切除的高危病人，预测临床不良结局以及评估风险。
Chu 等回顾性纳入131 例高风险PAS 病人的MRI 影像资料，使用mRMR 算法和LASSO 回归筛选出6 个影像组学特征并计算影像组学分数（radiomics score，Radscore），单因素分析临床危险因素，基于联合前置胎盘、既往剖宫产次数和Rad score 建立的列线图模型评估胎盘术中剥离方案，结果发现73 例胎盘自动分离，58 例需要手动剥离胎盘，该列线图模型预测胎盘剥离方案训练集和验证集的AUC 分别为0.90和0.91，表明影像组学模型的预测结果有助于确定合适的手术方案，实现PAS 病人的个性化治疗；该研究还进一步建立并验证了预测高风险PAS 病人术中失血量的影像组学模型，其训练集和验证集的AUC 为0.90 和0.88，该模型对术中出血量风险分层的诊断效能均较好。
Wu 等从来自多中心的505例产前怀疑PAS 病人的MRI 影像中提取影像组学特征，利用LASSO 回归和三折交叉验证最终得到35 个影像组学特征，采用支持向量机算法建立影像组学模型；构建基于临床特征、MRI 形态学特征、影像组学特征、临床-MRI 形态学特征、临床-影像组学特征的5 个模型预测剖宫产期间产后出血风险，结果显示临床-影像组学模型在训练集的AUC最高（0.888），且在测试集中也获得了较高的AUC（0.832）；且该模型在无胎盘前置的病人中表现更好。
由此可见，临床因素与MRI 影像组学结合的模型对病人不良预后预测具有较高价值。Zhang 等使用AK 软件提取T2WI-HASTE 影像组学特征并计算Rad score，采用多因素Logistic 回归筛选高风险PAS 病人的独立危险因素，结果显示联合临床危险因素和Rad score 建立的列线图模型的诊断效能优于单一模型，在训练和测试队列中预测高风险PAS病人术中大量出血风险的AUC 值分别为0.866 和0.876。以上研究表明，影像组学特征可以用来预测PAS 病人剖宫产术中失血状况，及时识别潜在的不良预后群体，进行风险分层，提示临床做好充分的围手术期准备及并发症防治，为病人术前制定
4.小结与展望
目前，MRI 影像组学和深度学习在PAS 的诊断、分型、预后风险等方面已经取得一定成效，但现有的研究仍存在一定局限性：（1）获取影像的设备机型不同以及图像采集参数不一致，导致影像组学不同数据集之间特征变异性较大，内部验证与外部验证的数据表现不稳定，泛化能力差。（2）部分PAS病例中，子宫肌层较薄，胎盘植入部分与子宫界面模糊，难以精确勾画胎盘边缘，ROI 无法标准化，会对模型的稳定性产生影响。（3）大多数已发表的研究并未对使用的特征进行验证，缺乏生物可解释性。
影像人工智能作为医工交叉的产物，已在PAS诊疗方面体现出了一定优势，但许多相关的研究问题仍需要深入的探索。随着大数据与人工智能在医疗影像数据中的快速发展，期待未来能够开展大样本量、多中心、图像规范化合并的研究，以及与血清标志物、病理组学等信息结合，对PAS 的发生机制、局部新生血管形成的潜在机制等进一步研究和探讨，为推动临床应用转化、实现辅助智能诊断发挥更大的作用。
来源：许晓阳,刘碧华,郑昌业.MRI影像组学和深度学习在植入性胎盘谱系疾病中的研究进展[J].国际医学放射学杂志,2024,47(01):88-91.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
