周慧，陳基明，吳莉莉，邵穎，范海云，陳亮亮

軟組織肉瘤(soft tissue sarcoma,STS)是一組高度異質(zhì)性的惡性腫瘤，其特點(diǎn)為具有局部侵襲性、呈浸潤(rùn)性或破壞性生長(zhǎng)。目前，手術(shù)切除是治療軟組織肉瘤的主要方式，盡管對(duì)于高度惡性的Ⅲ期腫瘤根治性或廣泛手術(shù)切除能盡量達(dá)到R0切除，獲得安全的手術(shù)切除邊界，但仍有15%～40%的STS患者出現(xiàn)腫瘤復(fù)發(fā)，嚴(yán)重影響預(yù)后，患者5年生存率僅為55%～70%[1-2]。STS生物學(xué)行為存在多樣性，STS患者術(shù)后復(fù)發(fā)受多種因素影響，不僅與切緣狀態(tài)密切相關(guān)，還與患者的年齡、病灶大小、腫瘤位置及其與周圍結(jié)構(gòu)關(guān)系等因素有關(guān)。MRI是STS診斷與鑒別診斷、術(shù)前分期和手術(shù)治療方案制訂以及術(shù)后隨訪的首選影像檢查方法。常規(guī)MRI檢查最為常用，但采用常規(guī)MRI預(yù)測(cè)STS復(fù)發(fā)的價(jià)值有限[3-4]。影像組學(xué)通過自動(dòng)化數(shù)據(jù)算法將醫(yī)學(xué)圖像轉(zhuǎn)化為深層次特征空間數(shù)據(jù)，可量化分析病灶內(nèi)部潛在的病理生理學(xué)異質(zhì)性，是當(dāng)前的研究熱點(diǎn)[5]。目前已有基于機(jī)器學(xué)習(xí)影像組學(xué)分析應(yīng)用于STS的鑒別診斷、術(shù)前分級(jí)等方面的研究[6-8]，但應(yīng)用于預(yù)測(cè)STS復(fù)發(fā)卻鮮有報(bào)道。筆者應(yīng)用不同機(jī)器學(xué)習(xí)方法建立基于常規(guī)MRI的影像組學(xué)模型，旨在探討其在預(yù)測(cè)軟組織肉瘤復(fù)發(fā)中的價(jià)值。

材料與方法

1.臨床資料

回顧性搜集本院2012年1月-2021年6月經(jīng)手術(shù)病理證實(shí)STS患者的完整臨床及影像資料。納入標(biāo)準(zhǔn)：①經(jīng)手術(shù)病理證實(shí)為軟組織肉瘤，病理診斷依據(jù)為2020年第五版WHO骨腫瘤及軟組織腫瘤分類標(biāo)準(zhǔn)；②術(shù)前2周內(nèi)進(jìn)行常規(guī)MRI掃描；③術(shù)后隨訪時(shí)間至少12個(gè)月。排除標(biāo)準(zhǔn)：①腫瘤邊界顯示不清晰或MRI質(zhì)量不佳，難以準(zhǔn)確勾畫ROI及后處理；②術(shù)后失訪。最終納入92例STS患者，男49例、女43例，年齡5～87，平均(53±19)歲。STS病理類型包括纖維肉瘤(28例)、脂肪肉瘤(15例)、滑膜肉瘤(15例)、未分化肉瘤(11例)、橫紋肌肉瘤(7例)、軟骨肉瘤(5例)、骨外骨肉瘤(4例)、血管肉瘤(3例)、上皮樣肉瘤(3例)和腺泡樣軟組織肉瘤(1例)。

圖1 壓脂T2WI圖像上腫瘤ROI的勾畫。a) 橫軸面圖像，沿腫瘤邊緣勾勒2D-ROI(紅色區(qū)域)； b～c)在橫軸面ROI勾勒完成后，經(jīng)ITK-SNP 3.6.0軟件重組形成冠狀面和矢狀面圖像上的2D-ROI(紅色區(qū)域)； d) 所有層面的2D-ROI經(jīng)軟件融合生成病灶的3D-ROI。

術(shù)后每3個(gè)月進(jìn)行一次胸部X線平片或CT檢查及病灶部位的MRI檢查，根據(jù)隨訪結(jié)果(其中二次手術(shù)23例、電話或門診隨訪7例)，將STS術(shù)后隨訪期間發(fā)生局部復(fù)發(fā)(26例)或遠(yuǎn)處轉(zhuǎn)移者(1例肺轉(zhuǎn)移)納入復(fù)發(fā)組(27例)，未發(fā)生局部復(fù)發(fā)或遠(yuǎn)處轉(zhuǎn)移者納入無復(fù)發(fā)組(65例)。采用計(jì)算機(jī)完全隨機(jī)方法將患者按7:3的比例分為訓(xùn)練集65例(復(fù)發(fā)組19例，無復(fù)發(fā)組46例)和驗(yàn)證集27例(復(fù)發(fā)組8例，無復(fù)發(fā)組19例)。本研究經(jīng)本院臨床試驗(yàn)倫理委員會(huì)審批通過。

2.MRI檢查方法

使用Siemens Avanto 1.5T磁共振掃描儀，將靠近邊緣區(qū)的病灶盡可能置于掃描中心。掃描序列及和參數(shù)如下。橫軸面和冠狀面T1WI：TR 460～580 ms，TE 8～11 ms；橫軸面、冠狀面和矢狀面壓脂T2WI：TR 3000～5900 ms，TE 49～100 ms，矩陣205×256～384×288，視野18 cm×18 cm～40 cm×40 cm，層厚4.0～6.0 mm，層間距2.0 mm。52例進(jìn)行了MR增強(qiáng)掃描。

3.臨床病理和常規(guī)MRI征象的評(píng)價(jià)

搜集每例患者的臨床病理資料，包括性別、年齡、病理分級(jí)和臨床分期等。病理分級(jí)參考法國(guó)國(guó)家癌癥研究中心(FNCLCC)的分級(jí)標(biāo)準(zhǔn)，將腫瘤的病理分級(jí)分為Ⅰ～Ⅲ級(jí)，Ⅰ級(jí)為低級(jí)別，Ⅱ、Ⅲ級(jí)為高級(jí)別[9]；臨床分期參考美國(guó)癌癥聯(lián)合會(huì)(AJCC)的分期標(biāo)準(zhǔn)，分為Ⅰ～Ⅳ期[10]。由2位分別具有5年和15年工作經(jīng)驗(yàn)的放射科醫(yī)師共同評(píng)估病灶的常規(guī)MRI特征，意見不一致時(shí)經(jīng)討論達(dá)成共識(shí)。常規(guī)MRI特征：①腫瘤最長(zhǎng)徑；②生長(zhǎng)部位；③位置深淺：以淺筋膜為界，處于淺筋膜以外為淺部，處于淺筋膜以內(nèi)為深部；④形態(tài)，即腫瘤邊緣是否呈明顯的不規(guī)則分葉狀改變；⑤邊界，包括腫瘤是否具有包膜、與鄰近肌肉等組織分界是否清晰；⑥腫瘤周圍水腫，定義為腫瘤周圍異常信號(hào)區(qū)，在T1WI上呈斑片狀低信號(hào)、在壓脂T2WI上呈高信號(hào)；⑦筋膜、血管和神經(jīng)侵犯，表現(xiàn)為在增強(qiáng)T1WI或壓脂T2WI上可見腫瘤與鄰近筋膜、血管和神經(jīng)分界不清或呈包繞改變；⑧骨和骨膜受累，骨受累表現(xiàn)為腫瘤包繞受累骨或侵及骨髓腔，骨膜受累表現(xiàn)為腫瘤與累及骨之間無薄層脂肪組織。在橫軸面壓脂T2WI上測(cè)量腫瘤最長(zhǎng)徑；分別在冠狀面或矢狀面T1WI和壓脂T2WI上在病灶內(nèi)和鄰近的正常肌肉組織內(nèi)勾畫ROI，測(cè)量病灶和正常肌肉組織的信號(hào)強(qiáng)度，所有ROI的形狀、大小相同，放置ROI時(shí)應(yīng)盡量避開腫瘤出血、壞死及囊變區(qū)。每個(gè)部位均測(cè)量3次，取其平均值。分別計(jì)算T1WI和壓脂T2WI上病灶與正常肌肉信號(hào)的比值(Rt1和Rfst2)。

4.圖像預(yù)處理、紋理特征提取、篩選及影像組學(xué)模型的建立

由于不同部位病灶的掃描參數(shù)存在差異，故在提取紋理特征之前，對(duì)圖像進(jìn)行預(yù)處理以提高紋理分辨力。首先，使用μ±3δ方法標(biāo)準(zhǔn)化圖像的灰階水平，提高圖像對(duì)比度[11]；然后，采用灰度均衡化，來減少計(jì)算時(shí)間，提高紋理結(jié)果的信噪比[12]；最后，應(yīng)用3D插補(bǔ)技術(shù)進(jìn)行重采樣，確保病灶空間特征的一致性[13]。

將所有患者的T1WI和壓脂T2WI圖像從PACS系統(tǒng)以DICOM格式導(dǎo)入ITK-SNP 3.6.0軟件。由上述2位醫(yī)師采用人工手動(dòng)方法分別在橫軸面T1WI和T2WI圖像上(T1WI上病灶ROI的勾畫參考?jí)褐琓2WI)，沿病灶邊緣逐層勾畫ROI，隨后軟件自動(dòng)融合生成病灶的3D-ROI(圖1)。然后將3D-ROI導(dǎo)入AK 3.2.0軟件進(jìn)行紋理特征的提取，軟件經(jīng)過自動(dòng)計(jì)算得到基于T1WI和壓脂T2WI的影像組學(xué)特征各1316個(gè)，特征類型包括一階特征、形態(tài)特征、灰度共生矩陣特征、灰度區(qū)域大小矩陣特征、灰度游程矩陣特征、鄰域灰度差矩陣特征、灰度依賴矩陣特征以及拉普拉斯-高斯濾波、小波變換和局部二值模式變換，其中，小波變換又包含HLL、HHL、HLH、LHH、LLH、LHL、LLL和HHH八種子帶，H和L分別代表病灶區(qū)域在x、y和z軸方向上的低頻分量(low-frequency component)和高頻分量(high-frequency component)。采用組內(nèi)相關(guān)系數(shù)(ICC)評(píng)價(jià)2位醫(yī)師提取特征的一致性，ICC>0.80為一致性較好，保留一致性較好的特征進(jìn)行后續(xù)分析。采用最小冗余最大相關(guān)性(minimum redundancy maximum correlation，mRMR)和最小絕對(duì)收縮與選擇算子(least absolute shrinkage and selection operator，LASSO)回歸分析對(duì)紋理特征進(jìn)行降維，篩選出最佳特征子集，構(gòu)建基于T1WI和壓脂T2WI和聯(lián)合序列的3個(gè)影像組學(xué)模型，采用logistic回歸(logistic regression，LR)、隨機(jī)森林(random forest，RF)及支持向量機(jī)(support vector machine，SVM)三種機(jī)器學(xué)習(xí)算法分別建立機(jī)器學(xué)習(xí)模型，再根據(jù)各個(gè)特征的權(quán)重計(jì)算影像組學(xué)評(píng)分(Radscore)。

表1 無復(fù)發(fā)組和復(fù)發(fā)組STS患者在訓(xùn)練集和驗(yàn)證集中的臨床資料和常規(guī)MRI特征

5.統(tǒng)計(jì)分析

采用SPSS 24.0、R語言4.0.4和MedCalc 19.0.2軟件進(jìn)行統(tǒng)計(jì)分析。計(jì)量資料采用Kolmogorov-Smirnov檢驗(yàn)進(jìn)行正態(tài)性檢驗(yàn)，符合正態(tài)分布的計(jì)量資料以均數(shù)±標(biāo)準(zhǔn)差表示，并采用獨(dú)立樣本t檢驗(yàn)進(jìn)行組間比較；計(jì)數(shù)資料以頻數(shù)表示，采用χ2檢驗(yàn)或Fisher精確檢驗(yàn)進(jìn)行組間比較。采用ICC評(píng)價(jià)兩位醫(yī)師提取紋理特征的一致性。繪制校正曲線并使用Hosmer-Lemeshow檢驗(yàn)分析預(yù)測(cè)模型的擬合優(yōu)度，計(jì)算受試者工作特征(ROC)曲線下面積(AUC)，通過DeLong檢驗(yàn)比較多個(gè)模型間AUC的差異。采用決策曲線分析(decision curve analysis，DCA)比較不同模型的臨床凈收益。以P<0.05為差異具有統(tǒng)計(jì)學(xué)意義。

圖2 LASSO回歸對(duì)壓脂T2WI序列提取的影像組學(xué)特征進(jìn)行降維。a)使用LASSO方法降維后繪制二項(xiàng)式偏差和最優(yōu)超參數(shù)Log(λ)；b)紋理特征的LASSO收斂系數(shù)圖，顯示13個(gè)非零系數(shù)的紋理特征。圖3壓脂T2WI影像組學(xué)模型中各項(xiàng)紋理特征及其權(quán)重系數(shù)值。 圖4訓(xùn)練集和與驗(yàn)證集中復(fù)發(fā)組與無復(fù)發(fā)組Radscore值柱狀分布圖，顯示復(fù)發(fā)組的Radscore值顯著低于無復(fù)發(fā)組。a)訓(xùn)練集；b)驗(yàn)證集。

1.臨床資料和常規(guī)MRI特征的比較

在訓(xùn)練集和驗(yàn)證集中，無復(fù)發(fā)組與復(fù)發(fā)組之間臨床病理特征和常規(guī)MRI征象的比較見表1。在2個(gè)數(shù)據(jù)集中，病灶位置(深、淺)在兩組之間的差異有統(tǒng)計(jì)學(xué)意義(P<0.05)；骨及骨膜受累在訓(xùn)練集中的兩組之間的差異有統(tǒng)計(jì)學(xué)意義(P<0.05)，在驗(yàn)證集中的兩組之間的差異無統(tǒng)計(jì)學(xué)意義(P>0.05)；筋膜侵犯和神經(jīng)血管侵犯兩個(gè)征象在驗(yàn)證集中的兩組之間的差異有統(tǒng)計(jì)學(xué)意義(P<0.05)；其它變量在2個(gè)數(shù)據(jù)集中的兩組之間的差異均無統(tǒng)計(jì)學(xué)意義(P>0.05)。

2.影像組學(xué)特征的一致性分析

兩位醫(yī)師測(cè)量的各項(xiàng)影像組學(xué)特征之間的一致性均較好(P均<0.05)，ICC的平均值為0.821，95%CI為0.632～0.916。因此，本研究中選取高年資醫(yī)師提取的組學(xué)特征進(jìn)行后續(xù)分析。

3.紋理特征篩選及影像組學(xué)模型的建立

AK軟件自T1WI和壓脂T2WI上各提取了1316個(gè)紋理特征，2個(gè)序列聯(lián)合則共有2632個(gè)紋理特征，對(duì)這3個(gè)特征集分別采用mRMR方法去除冗余和不相干特征后各保留30個(gè)特征，然后采用LASSO回歸進(jìn)一步降維(圖2)，最終基于T1WI、壓脂T2WI和聯(lián)合序列各得到9、13和12個(gè)最具有預(yù)測(cè)價(jià)值的紋理特征(圖3)。采用logistic回歸分析方法分別建立影像組學(xué)模型，將模型中各個(gè)特征與所對(duì)應(yīng)的加權(quán)系數(shù)進(jìn)行線性組合得到每個(gè)患者的Radscore值(圖4)。100次留組交叉驗(yàn)證(100 leave-group-out cross validation，LGOCV)顯示2個(gè)單獨(dú)序列及聯(lián)合序列的組學(xué)模型均具有良好的穩(wěn)定性。

4.臨床和影像組學(xué)模型的效能評(píng)估

將組間差異有統(tǒng)計(jì)學(xué)意義的臨床病理指標(biāo)和常規(guī)MRI征象(包括病灶位置、骨及骨膜受累)納入多因素logistic回歸分析，構(gòu)建臨床模型，結(jié)果顯示病灶位置為獨(dú)立危險(xiǎn)因素，其優(yōu)勢(shì)比(odds ratio,OR)為5.014(P=0.009)。

采用ROC曲線分析臨床模型和3個(gè)序列影像組學(xué)模型的診斷效能，結(jié)果見表2和圖5。在訓(xùn)練集和驗(yàn)證集中臨床模型預(yù)測(cè)STS復(fù)發(fā)的AUC分別為0.71和0.74。在3個(gè)序列影像組學(xué)模型中，壓脂T2WI的影像組學(xué)模型在訓(xùn)練集和驗(yàn)證集中的診斷效能均較好(AUC均為0.92)；但Delong檢驗(yàn)結(jié)果顯示，3個(gè)序列影像組學(xué)模型之間AUC的差異均無統(tǒng)計(jì)學(xué)意義(訓(xùn)練集中Z值分別為1.669、1.520和0.159，驗(yàn)證集中Z值分別為1.065、0.193和0.592；P均>0.05)。三個(gè)序列的影像組學(xué)模型的AUC均大于臨床模型，但僅在訓(xùn)練集中壓脂T2WI和聯(lián)合序列影像組學(xué)模型的AUC與臨床模型之間的差異有統(tǒng)計(jì)學(xué)意義(Z=3.106，P=0.002；Z=2.545，P=0.011)；在驗(yàn)證集中各序列影像組學(xué)模型與臨床模型間AUC的差異均無統(tǒng)計(jì)學(xué)意義(Z值分別為0.700、1.535和0.935，P均>0.05)。

5.機(jī)器學(xué)習(xí)模型的建立及效能評(píng)估

因在訓(xùn)練集和驗(yàn)證集中壓脂T2WI影像組學(xué)模型的診斷效能均較好，故將臨床病理指標(biāo)和常規(guī)MRI特征與壓脂T2WI序列的Radscore相結(jié)合，分別采用多因素LR、RF及SVM三種機(jī)器學(xué)習(xí)方法建立機(jī)器學(xué)習(xí)模型。采用ROC曲線分析各模型診斷效能，結(jié)果見表2和圖5。在LR、RF和SVM三個(gè)機(jī)器學(xué)習(xí)模型中， LR模型在訓(xùn)練集和驗(yàn)證集中的預(yù)測(cè)效能均相對(duì)最高(AUC分別為0.93和0.93)。在訓(xùn)練集中，LR模型的AUC與RF模型之間的差異無統(tǒng)計(jì)學(xué)意義(Z=0.362，P=0.718)，與SVM模型的差異有統(tǒng)計(jì)學(xué)意義(Z=2.444，P=0.015)；在驗(yàn)證集中，LR模型與RF、SVM模型的AUC的差異均無統(tǒng)計(jì)學(xué)意義(Z值分別為0.921和1.263，P均>0.05)。

表2 臨床模型、影像組學(xué)模型及不同機(jī)器學(xué)習(xí)模型ROC曲線分析結(jié)果

圖5 不同預(yù)測(cè)模型的ROC曲線，在訓(xùn)練集和驗(yàn)證集中均以LR模型的AUC最高，臨床模型的AUC最低。a)訓(xùn)練集；b)驗(yàn)證集。 圖6臨床模型、壓脂T2WI影像組學(xué)模型及LR、RF和SVM模型預(yù)測(cè)STS復(fù)發(fā)的決策曲線。All表示所有STS復(fù)發(fā)患者，None表示所有STS無復(fù)發(fā)患者。

LR模型的AUC與各序列影像組學(xué)模型之間的差異均無統(tǒng)計(jì)學(xué)意義(在訓(xùn)練集中Z值分別為1.808、0.816和0.401，在驗(yàn)證集中Z值分別為1.062、0.212、0.716，P均>0.05)。Hosmer-Lemeshow檢驗(yàn)分析表明LR模型在訓(xùn)練集和驗(yàn)證集中擬合度均較好，差異均無統(tǒng)計(jì)學(xué)意義(訓(xùn)練集：χ2=6.593，P=0.781；驗(yàn)證集：χ2=4.564，P=0.803)。

DCA顯示壓脂T2WI影像組學(xué)模型、RF及LR模型均獲得較好的凈收益(圖6)。

討 論

軟組織肉瘤具有復(fù)發(fā)率高的特點(diǎn)，明確軟組織肉瘤術(shù)后復(fù)發(fā)的影響因素，指導(dǎo)臨床提早干預(yù)，對(duì)改善預(yù)后具有重要意義。本研究中納入多種影響STS復(fù)發(fā)的因素，構(gòu)建了臨床模型、影像組學(xué)模型及不同機(jī)器學(xué)習(xí)模型，探索能有效預(yù)測(cè)軟組織肉瘤復(fù)發(fā)的因素。本研究結(jié)果顯示壓脂T2WI、聯(lián)合序列影像組學(xué)模型以及LR、RF模型均具有較高的預(yù)測(cè)效能(AUC分別為0.92、0.91、0.93和0.91)，且臨床受益均較好。

STS復(fù)發(fā)與性別、年齡、部位、位置及邊界、腫瘤組織類型、病理分級(jí)及臨床分期等多種因素有關(guān)。本研究納入多種反映腫瘤異質(zhì)性的臨床病理、常規(guī)MRI特征進(jìn)行研究，結(jié)果顯示僅腫瘤位置等少數(shù)指標(biāo)有預(yù)測(cè)價(jià)值，由此構(gòu)建的臨床模型預(yù)測(cè)STS復(fù)發(fā)的效能較低。影像組學(xué)可以發(fā)現(xiàn)腫瘤肉眼無法識(shí)別的微小差異。我們提取T1WI和壓脂T2WI上病灶的紋理特征并進(jìn)行拉普拉斯-高斯濾波、小波變換和局部二值模式變換，篩選出最佳特征子集并構(gòu)建影像組學(xué)模型，結(jié)果顯示壓脂T2WI和聯(lián)合序列的影像組學(xué)模型的預(yù)測(cè)效能明顯優(yōu)于臨床模型；但是，將臨床病理、常規(guī)MRI特征與AUC較高的壓脂T2WI序列的Radscore相結(jié)合構(gòu)建不同機(jī)器學(xué)習(xí)模型，預(yù)測(cè)效能均沒有明顯提高，說明臨床病理、常規(guī)MRI特征貢獻(xiàn)較小。

由于壓脂T2WI影像組學(xué)模型在訓(xùn)練集和驗(yàn)證集中的診斷效能均較好，本研究中僅討論壓脂T2WI序列。自該序列篩選出的13個(gè)最佳紋理特征中，12個(gè)為拉普拉斯-高斯濾波、小波變換和局部二值模式變換特征，其中5個(gè)是經(jīng)小波濾波分解獲得，且權(quán)重較大。原始圖像上的紋理特征經(jīng)過濾波變換后可抑制圖像噪聲，能獲得更真實(shí)的影像特征[14-15]。近年來，小波變換被廣泛應(yīng)用于多個(gè)領(lǐng)域，并在醫(yī)學(xué)圖像處理和信號(hào)分析中取得了很好的成效[15-16]，小波變換利用對(duì)圖像的多分辨分解和時(shí)間頻率的細(xì)節(jié)分析，通過在高頻處時(shí)間細(xì)分和低頻處頻率細(xì)分，解決時(shí)間和頻率之間的沖突，從而實(shí)現(xiàn)對(duì)信號(hào)細(xì)節(jié)的任意聚焦，經(jīng)小波變換后的紋理特征也更能反映腫瘤的異質(zhì)性。

由于不同的機(jī)器學(xué)習(xí)算法各自具有不同的優(yōu)點(diǎn)和不足，不同算法獲得的模型表現(xiàn)各異，難以確定何種分類模型更適合預(yù)測(cè)STS復(fù)發(fā)。本研究探索性采用了多種機(jī)器學(xué)習(xí)算法構(gòu)建預(yù)測(cè)模型，其中LR是最常用的分類方法，模型可解釋性非常好；SVM對(duì)于小樣本、高維度、非線性數(shù)據(jù)有優(yōu)勢(shì)，泛化性能比較好[18]；而基于決策樹方法的RF是具有監(jiān)督集成功能的學(xué)習(xí)算法，能夠處理不平衡數(shù)據(jù)集，在沒有增加計(jì)算量的情況下能改進(jìn)預(yù)測(cè)的準(zhǔn)確性，抗過擬合能力強(qiáng)[19-20]。本研究結(jié)果顯示LR和RF模型均有較好的預(yù)測(cè)價(jià)值，明顯優(yōu)于SVM模型，LR模型無論在訓(xùn)練集還是驗(yàn)證集中均具有很高的預(yù)測(cè)效能，具有較好的魯棒性。

本研究的局限性：①為回顧性單中心研究，且STS的發(fā)病率低，故樣本量相對(duì)較少，模型的泛化性和穩(wěn)定性差，復(fù)發(fā)組與無復(fù)發(fā)組兩組數(shù)據(jù)不均衡，需要繼續(xù)擴(kuò)大樣本量、進(jìn)行多中心研究，以改進(jìn)模型的診斷效能；②筋膜、神經(jīng)血管侵犯、骨和骨膜受累及位置深淺等特征為影像診斷結(jié)果，未經(jīng)病理證實(shí)，存在一定的主觀性；③本研究?jī)H基于T1WI和壓脂T2WI兩個(gè)序列提取影像組學(xué)特征，缺少增強(qiáng)掃描序列，在反映腫瘤內(nèi)部的特征信息方面可能存在缺失[21]。

綜上所述，基于常規(guī)MRI的壓脂T2WI序列和聯(lián)合序列的影像組學(xué)模型具有較高的預(yù)測(cè)效能，能獲得較好的臨床受益，可以無創(chuàng)、簡(jiǎn)便、有效地預(yù)測(cè)STS復(fù)發(fā)；不同機(jī)器學(xué)習(xí)算法構(gòu)建的預(yù)測(cè)模型與常規(guī)影像組學(xué)模型相比，預(yù)測(cè)效能并無明顯提高。