来源：期刊VIP网 时间：
作者：刘紫妍;丁裕馨;柏根基;
单位：南京医科大学附属淮安一院影像科;
摘要：目的 探讨基于多参数磁共振的深度迁移学习特征联合临床参数预测子宫内膜癌微卫星表达状态。资料与方法 回顾性分析2020年1月—2022年12月南京医科大学附属淮安一院262例子宫内膜癌患者，以7∶3随机分为训练队列183例和验证队列79例。使用50层残差神经网络（ResNet50）分别从T2WI和扩散加权成像（DWI）中提取深度迁移学习特征，并构建T2-net、DWI-net、多序列融合及联合模型。最终将多参数融合的深度迁移学习特征联合经单因素、多因素Logistic回归筛选出的临床独立预测因子构建联合模型。使用受试者工作特征曲线下面积、校准曲线及决策曲线评估各模型的预测效能。模型可视化（Grad-CAM）用于模型解释。结果 与单一序列模型相比，多序列融合模型的性能更优，验证队列的曲线下面积为0.898，准确度为0.823，敏感度为0.812，特异度为0.825,F1值为0.650。单因素、多因素Logistic回归显示，血清学指标人附睾蛋白4及伴发子宫肌瘤为临床独立危险因子。构建的联合模型在验证队列中的预测性能最佳，验证队列的曲线下面积为0.924，准确度为0.835，敏感度为0.875，特异度为0.825,F1值为0.683。结论 基于深度迁移学习特征的多参数融合模型能够有效、无创地预测子宫内膜癌患者微卫星状态。
关键词：子宫内膜肿瘤;;磁共振成像;;深度迁移学习;;微卫星不稳性;;预测
