基于MRI影像組學聯合臨床特征的機器學習模型預測宮頸鱗癌組織學分級的價值

王賀真?邊芳?童玉潔?段亞楠?翟冬枝

【摘要】目的 探討基于MRI影像組學聯合臨床特征的不同機器學習模型對宮頸鱗癌組織學分級的預測價值。方法 回顧性分析經病理活檢證實的150例宮頸鱗癌患者，按4∶1的比例隨機分為訓練集和驗證集。從T2加權像脂肪抑制序列（FS-T2WI）和增強T1WI（延遲期）的感興趣區中提取特征。經過降維和篩選特征后，使用Logistic回歸（LR）、支持向量機（SVM）、貝葉斯（NB）、隨機森林（RF）、輕量級梯度提升機（LightGBM）、K-最近鄰法（KNN）構建預測宮頸鱗癌組織學分級的影像組學模型。采用受試者操作特征（ROC）曲線下面積（AUC）評估6種模型的預測性能。采用單因素及多因素Logistic回歸分析預測獨立危險因素，并建立臨床及影像組學聯合模型。通過AUC比較各個模型的差異，決策曲線（DCA）評估模型的臨床價值。結果 在影像組學模型中，LightGBM模型AUC下面積最大（訓練集為0.910，驗證集為0.839）。臨床特征聯合LightGBM模型的AUC面積最大（訓練集0.935，驗證集0.888），高于臨床模型（AUC訓練集為0.762，驗證集為0.710）和LightGBM影像組學模型。結論 LightGBM模型在影像組學模型中預測價值較高。聯合模型的DCA效果最佳，具有最好的臨床凈獲益。結合影像組學和臨床特征的聯合預測模型對宮頸鱗癌低分化具有良好的預測價值，可為臨床決策提供一種無創、高效的方法。

【關鍵詞】宮頸鱗癌；影像組學；組織學分級；磁共振成像；機器學習

Value of machine learning model based on MRI radiomics in predicting histological grade of cervical squamous cell carcinoma Wang Hezhen， Bian Fang， Tong Yujie， Duan Yanan， Zhai Dongzhi. Department of Medical Imaging， the Second Affiliated Hospital of Zhengzhou University， Zhengzhou 450014， China

Corresponding author， Zhai Dongzhi， E-mail： 963893762@qq.com

【Abstract】Objective To explore the predictive value of different machine learning models based on MRI radiomics combined with clinical features for histological grade of cervical squamous cell carcinoma. Methods Clinical data of 150 patients with cervical squamous cell carcinoma confirmed by pathological biopsy were retrospectively analyzed. They were randomly divided into the training set and validation set at a ratio of 4∶1. Features were extracted from the regions of interest of T2WI fat suppression sequence （FS-T2WI） and enhanced T1WI （delayed phase）. After dimensionality reduction and feature selection， logistic regression （LR）， support vector machine （SVM）， na?ve Bayes （NB）， random forest （RF）， Light Gradient Boosting Machine （LightGBM）， K-nearest neighbor （KNN） were used to construct a radiomics model for predicting the histological grade of cervical squamous cell carcinoma. The area under the receiver operating characteristic （ROC） curve （AUC） was used to evaluate the predictive performance of the six models. Univariate and multivariate logistic regression analyses were performed to predict the independent risk factors， and a combined model of clinical and radiomics was established. The differences of each model were compared by AUC， and the clinical value of the model was evaluated by decision curve （DCA）. Results In the radiomics model， the LightGBM model had the largest AUC （0.910 in the training set， and 0.839 in the validation set）. The AUC of clinical features combined with LightGBM model was the largest （0.935 in the training set， and 0.888 in the validation set）， which was higher than those of clinical model （0.762 in the training set， and 0.710 in the validation set） and LightGBM radiomics model. Conclusions The LightGBM model has a high predictive value in the radiomics model. The combined model has the optimal DCA effect and the highest clinical net benefit. The combined prediction model combining radiomics and clinical features has good predictive value for cervical squamous cell carcinoma with low differentiation， providing a non-invasive and efficient method for clinical decision-making.

【Key words】Cervical cancer； Radiomics； Histological grade； Magnetic resonance imaging； Machine learning

宮頸癌是全球女性第二常見癌癥，病死率為60%［1］。在發達國家及地區，由于細胞學篩查計劃的廣泛實施，其發病率和病死率一直在下降；但是欠發達地區的人乳頭瘤病毒（HPV）疫苗接種率和篩查率相差甚遠，而且近年來發病年齡趨于年輕化，部分病例在確診時已為晚期，預后極差［2-3］。

組織學分級影響宮頸癌患者的預后，低分化腫瘤患者的預后與高分化腫瘤患者相差甚遠，腫瘤復發率極高［4-5］。針對此類患者，準確判斷其分期及組織學分級為患者提供精準治療，并盡最大可能改善預后極其重要。MRI無輻射，可多序列、多參數成像，具有優異的軟組織分辨力，有助于病變的檢出、大小和位置的判斷；同時檢出盆腔、腹膜后區及腹股溝區的淋巴結轉移，是宮頸癌的最佳影像學檢查方法［6］。影像組學是一項創新技術，具有無創、經濟、快捷等優勢［7］。在影像圖像中定量提取具有高通量可挖掘空間的特征方面開辟了一條道路，可以描繪更微小的腫瘤異質性［8］。這種方法已被廣泛研究用于疾病的檢測、分期和預后評估［9-12］。機器學習作為新型研究工具，通過計算機基于數據構建概率統計模型并運用模型對數據進行預測與分析，現階段影像組學與機器學習相結合被廣泛應用于醫學領域，分析和計算大數據，訓練出的模型較傳統的Logistic回歸模型的結果更為可靠，基于影像組學特征的機器學習模型可以為臨床制定較優治療方案提供有價值的信息［13］。本研究選擇不同的機器學習方法進行影像組學模型的開發和驗證，并基于MRI影像組學和臨床特征聯合的模型預測宮頸鱗癌組織學分級，旨在探討其在臨床的應用價值，現報道如下。

對象與方法

一、研究對象

回顧性收集2018年1月至2023年7月就診于鄭州大學第二附屬醫院的宮頸鱗癌患者臨床、影像及病理資料。病例納入標準：①經病理證實為宮頸鱗癌；②有詳細的臨床及病理資料；③MRI檢查前未接受任何治療。排除標準：MRI圖像質量欠佳的患者。所有病例均由一名10年以上工作經驗的放射科醫師依據FIGO 2018分期進行臨床分期。本研究經醫院醫學倫理委員會審批（批件號：2023137），所有患者均已簽署知情同意書。

二、檢查方法

采用Siemens Skyra3.0T或GE Pionner3.0T磁共振儀，配備8通道相控陣線圈完全覆蓋患者盆腔。掃描序列和參數：①橫斷面脂肪抑制T2WI序列：TR 3 150 ms，TE 86 ms，層厚5 mm，間距1 mm，視野260 mm×260 mm，激勵次數2次；②橫斷面增強T1WI序列：TR 3.2 ms，TE 1.2 ms，層厚

3 mm，視野380 mm×380 mm，激勵次數1次。對比劑為釓噴酸葡胺（Gd-DTPA），注射流率3 mL/s，用量0.1 mmol/kg，使用生理鹽水（20 mL）清洗。

三、圖像處理

首先對圖像預處理，應用N4磁場校驗并進行重采樣調整體素為1 mm×1 mm×1 mm。然后將患者的橫斷位脂肪抑制T2WI、增強T1WI圖像以DICOM格式導入ITK-SNAP3.8.0軟件。在不知病理結果的情況下，由一位有5年工作經驗的放射科醫師沿病灶進行逐層勾畫（圖1）。為了保證影像組學特征的可重復性，2周后隨機選取30個病灶重新勾畫，計算組內相關系數。由另一位有10年工作經驗的放射科醫師進行核對，共同確定最終的ROI。

四、特征篩選及模型構建

使用Pyradiomics（Python3.0.1）對每個ROI提取影像組學特征， 包括一階特征（Firstorder）、直方圖灰度共生矩陣（GLCM）、形狀特征（Shape）、灰度共生矩陣（GLDM）、鄰域灰度差矩陣（NGTDM）、灰度游程長度矩陣（GLRLM）、灰度區域大小矩陣（GLSZM）特征。首先對提取的影像組學特征使用Z-score標準化，通過t檢驗（P <

0.05）篩選特征。隨后使用Pearson相關性分析去除高相關性的相似特征，r > 0.90的特征被認為是高度相關的特征，2個特征保留1個。按照4∶1隨機劃分訓練集與驗證集。再在訓練集中使用最小絕對收縮和選擇算子（LASSO）回歸篩選出最具預測性的特征，使用篩選的最佳特征構建影像組學模型。在訓練集中使用Logistic回歸（LR）、支持向量機（SVM）、貝葉斯（NB）、隨機森林（RF）、K-最近鄰法（KNN）、輕量級梯度提升機（LightGBM）建立模型，并且使用五倍交叉驗證在訓練集中評價模型，在驗證組中驗證。

五、統計學分析

采用SPSS 26.0和Python 3.0.1進行統計分析。正態分布的連續變量以表示，組間比較采用t檢驗；非正態分布的連續變量以M（P25，P75）表示，組間比較采用Mann-Whitney U檢驗；分類變量以例（%）表示，有序變量組間比較采用秩和檢驗，無序變量組間比較采用χ 2檢驗或Fisher確切概率法。P < 0.05為差異有統計學意義。

通過繪制受試者操作特征（ROC）曲線，計算曲線下面積（AUC）、準確度、靈敏度、特異度、陽性預測值（PPV）、陰性預測值（NPV）、精確率和召回率的調和均值（F1），比較6種模型的診斷性能，篩選出最佳的放射組學模型。對訓練集中每例患者的年齡、絕經狀態、FIGO分期、腫瘤最大徑、淋巴結轉移、接觸性出血、產次等臨床指標進行單因素及多因素Logistic分析篩選宮頸鱗癌組織學分級臨床危險因素，建立臨床特征模型，然后使用最佳分類器構建臨床與影像組學組合模型。對訓練集及驗證集模型的性能進行評估和驗證，繪制ROC曲線，計算AUC、準確度、靈敏度、特異度、PPV、NPV，通過Delong檢驗比較3個模型AUC的差異。使用決策曲線（DCA）量化訓練和驗證隊列中不同閾值概率的凈獲益，評估模型的臨床效益。

結果

一、研究對象的臨床資料

本研究共納入150例宮頸鱗癌患者，包括中高分化患者82例、低分化患者68例。在訓練集與驗證集中，低分化與中高分化患者年齡比較差異均有統計學意義（P < 0.05）。見表1。

二、宮頸鱗癌組織學分級的單因素及多因素Logistic回歸分析

單因素和多因素Logistic回歸分析顯示，年齡增加及淋巴結轉移是宮頸鱗癌組織學分級的危險因素（P < 0.05）。見表2。

三、機器學習模型性能評價

從兩個序列的ROI中共提取2 395個特征，經過降維和篩選保留了7個特征分別為wavelet_-HLH_glszm_SmallAreaEmphasis、log_sigma_3_0_-mm_3D_firstorder_Median、original_shape_Sphericity、wavelet_HHH_gldm_DependenceNonUniformityNorma-lized、wavelet_HLH_glcm_Correlation、wavelet_HLL_-glcm_Idn、wavelet_LLH_firstorder_Maximum。訓練集和驗證集中的6個影像組學模型（LR、NB、SVM、KNN、RF、LightGBM）的ROC曲線見圖2。在訓練集中最佳模型是RF，AUC為1.000，然而在驗證集中，最佳的模型是LightGBM。LightGBM模型的AUC、準確度、靈敏度、特異度、PPV、NPV和F1分別為0.839、0.833、0.938、0.714、0.789、0.909、0.857，見表3。RF模型雖然在訓練集體現出良好的預測價值，但在驗證集上欠佳，顯示出過擬合的趨勢。為了保證模型的穩定性和持續性，最終選擇LightGBM模型為最佳模型。

四、模型構建與驗證

將臨床預測因素（年齡及淋巴結轉移）和7個影像組學特征結合建立聯合模型。使用LightGBM建立臨床模型、影像組學模型及二者聯合模型。三種模型在訓練集和驗證集的ROC曲線見圖3。聯合模型的效能明顯優于臨床和影像組學模型，AUC較高（訓練集0.935，驗證集0.888），見表3。3種模型的DCA見圖4，聯合模型在訓練集和驗證集中具有最顯著的凈獲益。

討論

在探討影像組學在宮頸癌病理預測中的價值時，許多學者已進行了深入研究。Wang等［14］研究顯示，宮頸腺癌紋理異質性高于宮頸鱗癌，多序列MRI圖像構建的聯合模型鑒別宮頸鱗癌與腺癌的 AUC為0.89，高于各單獨序列模型。謝元亮等［15］報道，基于動態增強MRI的紋理分析技術有助于在術前預測宮頸癌的組織病理學分型和臨床分級。近年來，影像組學為預測組織學分級提供新的方法。Wang等［16］認為，T2WI模型可以更好鑒別宮頸鱗癌的高低分化。尹進學等［17］發現，基于T2WI的3D紋理特征術前預測宮頸癌病理組織學分級具有一定價值。Shi等［18］構建的T2WI和體素不相干運動彌散加權成像聯合模型，在評估組織分化方面性能優于單獨序列。Liu等［19］基于表觀擴散系數的影像組學特征評估宮頸癌的組織病理分級，結果顯示三維全腫瘤體積分析在區分宮頸癌的組織學分級方面優于二維腫瘤切片。孟影等［20］聯合MRI影像組學評分和臨床模型構建的列線圖，能較好預測宮頸癌組織學分級。早期準確識別宮頸癌組織分級，對治療及預后至關重要［21］。既往研究多是使用一種機器學習建模，而本研究構建了6種機器學習模型。

宮頸癌在動態增強延遲期易與周圍正常組織區分，呈相對弱強化，因此本研究采用延遲期圖像進行病灶分割［22］。機器學習可以提供更準確、客觀、可靠的模型來輔助臨床決策［23］。解添淞等［7］基于CT影像組學預測胰腺癌 CD8+T淋巴細胞浸潤狀態，使用決策樹、極端隨機樹、RF 3種機器學習算法建立模型，顯示極端隨機樹模型效能最佳（AUC訓練集0.865，驗證集0.744）。Zhang等［24］發現，RF模型能夠準確預測轉移性結直腸癌的早期死亡，優于Logistic回歸、CatBoost、XGBoost和LightGBM模型，RF模型比其他模型具有更多的臨床效益。影像組學模型的預測性能對于疾病診斷和治療方案制定至關重要，而這種良好的預測性能在很大程度上取決于適當的機器學習算法。

本研究中，聯合模型表現出最佳的診斷性能（AUC訓練集0.935，驗證集0.888），其次是SVM、RF、KNN、NB、臨床模型、LR模型。單一的影像組學模型可能無法充分考慮到患者個體差異以及其他臨床因素對于腫瘤發展的影響。因此，將臨床特征與腫瘤影像組學模型相結合，可以提供更全面、準確的診斷信息。RF是一種基于集成多棵決策樹的算法，在很多數據集上準確率較高［25］。但在處理小樣本時可能存在過擬合問題?？紤]到放射表型和基因型數據之間關系的復雜性和非線性，SVM是解決非線性問題的有效和穩健的方法，具有良好的穩定性和效率［26］。NB是一種基于概率論的分類算法，它可以增加特異度［27］。KNN是用距離最近的k個點來判斷屬于哪個類別，樣本不平衡時準確率低［28］。LightGBM算法建立在決策樹算法上，利用提升樹的估計量，提供了梯度增強算法的有效實現，主要優點是訓練算法的明顯加速，產生更有效的模型［29-30］。Rufo等［31］使用LightGBM建立糖尿病的診斷模型，該模型的準確度、AUC、靈敏度和特異度分別為0.981、0.981、0.999、0.963，優于KNN、SVM、NB、Bagging、RF和XGBoost模型。Shao等［32］基于CT增強使用LightGBM算法建立模型，有助于鑒別靜脈平滑肌瘤病和子宮平滑肌瘤。本研究表明，LightGBM、SVM和RF模型比LR模型診斷效能更優，推測宮頸癌可能是非線性或線性不可分的，因此使用線性算法的LR模型比非線性LightGBM、RF和SVM的效能低。

總之，本研究利用機器學習技術構建并驗證臨床和MRI影像組學的聯合模型，可有效預測宮頸癌組織學分級，其中采用LightGBM算法的聯合模型在評估宮頸鱗癌組織學分級方面具有較高的預測價值，對臨床診斷具有積極意義。但本研究是回顧性研究，未進行外部驗證且樣本量較少，可能過擬合，日后有待擴大樣本量、進行多中心及多模態研究進一步驗證研究結論。

參 考 文 獻

［1］ Park Y R， Kim Y J， Ju W， et al. Comparison of machine and deep learning for the classification of cervical cancer based on cervicography images［J］. Sci Rep， 2021， 11（1）： 16143.

［2］ Bray F， Ferlay J， Soerjomataram I， et al. Global cancer statistics 2018： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries［J］. CA Cancer J Clin， 2018， 68（6）： 394-424.

［3］ Buskwofie A， David-West G， Clare C A. A review of cervical cancer： incidence and disparities［J］. J Natl Med Assoc， 2020， 112（2）： 229-232.

［4］ Matsuo K， Mandelbaum R S， Machida H， et al. Association of tumor differentiation grade and survival of women with squamous cell carcinoma of the uterine cervix［J］. J Gynecol Oncol， 2018， 29（6）： e91.

［5］ Rigaud B， Simon A， Gobeli M， et al. Statistical shape model to generate a planning library for cervical adaptive radiotherapy［J］. IEEE Trans Med Imaging， 2019， 38（2）： 406-416.

［6］ Wang D， Yin H， Liu W， et al. Comparative analysis of the diagnostic values of T2 mapping and diffusion-weighted imaging for sacroiliitis in ankylosing spondylitis［J］. Skeletal Radiol， 2020， 49（10）： 1597-1606.

［7］ 解添淞， 翁微微， 劉偉， 等. 基于CT圖像影像組學的機器學習模型預測胰腺癌免疫細胞浸潤及預后的初步研究［J］. 中華放射學雜志， 2022， 56（4）： 425-430.

Xie T S， Weng W W， Liu W， et al. A polit study of using CT-radiomics based machine learning model in predicting immune cells infiltrating and prognosis of pancreatic cancer［J］. Chin J Radiol， 2022， 56（4）： 425-430.

［8］ Fiset S， Welch M L， Weiss J， et al. Repeatability and reproducibility of MRI-based radiomic features in cervical cancer［J］. Radiother Oncol， 2019， 135： 107-114.

［9］ Li Y， Cheng Z， Gevaert O， et al. A CT-based radiomics nomogram for prediction of human epidermal growth factor receptor 2 status in patients with gastric cancer［J］. Chung Kuo Yen Cheng Yen Chiu， 2020， 32（1）： 62-71.

［10］ Shin J， Lim J S， Huh Y M， et al. A radiomics-based model for predicting prognosis of locally advanced gastric cancer in the preoperative setting［J］. Sci Rep， 2021， 11（1）： 1879.

［11］ Feng B， Huang L， Li C， et al. A heterogeneity radiomic nomogram for preoperative differentiation of primary gastric lymphoma from borrmann type IV gastric cancer［J］. J Comput Assist Tomogr， 2021， 45（2）： 191-202.

［12］ 程木華. PET代謝影像組學研究進展與挑戰［J］. 新醫學， 2018， 49（9）： 619-623.

Cheng M H. Research advances and challenges of PET metabolic radiomics［J］. J New Med， 2018， 49（9）： 619-623.

［13］ 劉進， 印宏坤， 陳果， 等. MRI組學特征構建機器學習模型預測胸腰段再骨折［J］. 中國組織工程研究， 2022， 26（33）： 5323-5328.

Liu J， Yin H K， Chen G， et al. A machine learning prediction model based on MRI radiomics for refracture of thoracolumbar segments［J］. Chin J Tissue Eng Res， 2022， 26（33）： 5323-5328.

［14］ Wang W， Jiao Y， Zhang L， et al. Multiparametric MRI-based radiomics analysis： differentiation of subtypes of cervical cancer in the early stage［J］. Acta Radiol， 2022， 63（6）： 847-856.

［15］ 謝元亮， 杜丹， 謝偉， 等. DCE-MRI紋理分析鑒別宮頸鱗癌與腺癌及預測分級的價值［J］. 放射學實踐， 2019， 34（8）： 835-840.

Xie Y L， Du D， Xie W， et al. The value of texture analysis based on dynamic contrast-enhanced MRI for differentiating cervical adenocarcinoma from squamous cell carcinoma and its prediction of stages［J］. Radiol Pract， 2019， 34（8）： 835-840.

［16］ Wang S， Jiang T， Hu X， et al. Can the combination of DWI and T2WI radiomics improve the diagnostic efficiency of cervical squamous cell carcinoma？［J］. Magn Reson Imaging， 2022， 92： 197-202.

［17］ 尹進學， 盧斌貴， 楊佩瑜， 等. 基于T2WI 3D紋理分析評估宮頸癌組織學分級［J］. 中國醫學影像技術， 2021， 37（1）： 86-90.

Yin J X， Lu B G， Yang P Y， et al. Three-dimensional texture analysis based on T2WI for evaluation on histological grade of cervical cancer［J］. Chin J Med Imag Technol， 2021， 37（1）： 86-90.

［18］ Shi B， Dong J N， Zhang L X， et al. A combination analysis of IVIM-DWI biomarkers and T2WI-based texture features for tumor differentiation grade of cervical squamous cell carcinoma［J］. Contrast Media Mol Imaging， 2022， 2022： 2837905.

［19］ Liu Y， Zhang Y， Cheng R， et al. Radiomics analysis of apparent diffusion coefficient in cervical cancer： a preliminary study on histological grade evaluation［J］. J Magn Reson Imaging， 2019， 49（1）： 280-290.

［20］ 孟影， 劉信信， 張志雅， 等. 基于MRI影像組學列線圖在宮頸鱗癌組織學分級中的預測研究［J］. 臨床放射學雜志， 2023， 42（4）： 677-682.

Meng Y， Liu X X， Zhang Z Y， et al. Prediction of histological grading of cervical squamous cell carcinoma based on MRI histograms［J］. J Clin Radiol， 2023， 42（4）： 677-682.

［21］ Mongula J E， Bakers F C H， Mihl C， et al. Assessment of parametrial invasion of cervical carcinoma， the role of T2-weighted MRI and diffusion weighted imaging with or without fusion［J］. Clin Radiol， 2019， 74（10）： 790-796.

［22］ 佟晶， 卑貴光， 闞楊楊， 等. 多序列MRI影像組學預測局部晚期宮頸鱗癌同步放化療早期治療反應的價值［J］. 中華放射學雜志， 2022， 56（11）： 1223-1229.

Tong J， Bei G G， Kan Y Y， et al. The value of multi-sequence MRI radiomics in predicting the early response to concurrent chemoradiotherapy for locally advanced cervical squamous cell carcinoma［J］. Chin J Radiol， 2022， 56（11）： 1223-1229.

［23］ Zhu Y， Yang L， Shen H. Value of the application of CE-MRI radiomics and machine learning in preoperative prediction of sentinel lymph node metastasis in breast cancer［J］. Front Oncol， 2021， 11： 757111.

［24］ Zhang Y， Zhang Z， Wei L， et al. Construction and validation of nomograms combined with novel machine learning algorithms to predict early death of patients with metastatic colorectal cancer［J］. Front Public Health， 2022， 10： 1008137.

［25］ Sarica A， Cerasa A， Quattrone A. Random forest algorithm for the classification of neuroimaging data in Alzheimers disease： a systematic review［J］. Front Aging Neurosci， 2017， 9： 329.

［26］ Erickson B J， Korfiatis P， Akkus Z， et al. Machine learning for medical imaging［J］. Radiographics， 2017， 37（2）： 505-515.

［27］ Uddin S， Khan A， Hossain M E， et al. Comparing different supervised machine learning algorithms for disease prediction［J］. BMC Med Inform Decis Mak， 2019， 19（1）： 281.

［28］ Lin Q， Wu H J， Song Q S， et al. CT-based radiomics in predicting pathological response in non-small cell lung cancer patients receiving neoadjuvant immunotherapy［J］. Front Oncol， 2022， 12： 937277.

［29］ Ke G， Meng Q， Finley T， et al. LightGBM： a highly efficient gradient boosting decision tree［M］. New York： Curran Associates Inc， 2017.

［30］ Basha S， Rajput D， Vandhan V. Impact of gradient ascent and boosting algorithm in classification［J］. Int J Intell Eng Syst， 2018， 11（1）： 41-49.

［31］ Rufo D D， Debelee T G， Ibenthal A， et al. Diagnosis of diabetes mellitus using gradient boosting machine （LightGBM）［J］. Diagnostics， 2021， 11（9）： 1714.

［32］ Shao J， Wang C， Shu K， et al. A contrast-enhanced CT-based radiomic nomogram for the differential diagnosis of intravenous leiomyomatosis and uterine leiomyoma［J］. Front Oncol， 2023， 13： 1239124.

（收稿日期：2023-10-27）

（本文編輯：林燕薇）