肿瘤全域表观扩散系数诺模图诊断高级别子宫内膜癌的价值.pdf

3473MODERNONCOLO31.No.18第31卷第18 期现代肿瘤医学2023年0 9 月肿瘤全域表观扩散系数诺模图诊断高级别子宫内膜癌的价值邓颖，戴强，王茵，李志豪，赵婷婷？，梁轶，同斌1陕西省肿瘤医院放射科，陕西西安7 10 0 6 1;西安交通大学第一附属医院影像科，陕西西安7 10 0 6 1【摘要】目的：探讨并验证肿瘤全域表观扩散系数（apparentdiffusioncoefficient，A D C）诺模图术前预测高级别子宫内膜癌（endometrial carcinoma,EC）的应用价值。方法：回顾性收集经术后病理证实为EC患者142例，按7:3的比例分为训练组（n=99）与验证组（n=43）。所有患者术前均接受3.0-TMR检查。采用3DSlicer软件，于轴位T2WI和ADC图上，沿肿瘤边缘逐层勾画感兴趣区，生成3D感兴趣容积（volumeofinteresting，VO I），获得ADC肿瘤全域直方图参数，包括最大值（ADCmax），最小值（ADCmin），平均值（A D Cme a n），偏度（skewness），峰度（kurtosis），熵（entropy），第5（5th）、第10（10 th）、第2 5（2 5th）、第50（50 t h）、第7 5（7 5th）、第90（90 th）和第95（95th）百分位数ADC值。测量肿瘤形态学参数，包括肿瘤体积、肿瘤最大径、矢状位T2WI肿瘤的最大前后径（maximum anteroposterior tumor diameter on sagittal T2-weigh-ted imaging，A Ps a g）和肿瘤面积比（tumor area ratio，T A R）。组内相关系数（intraclass correlation coefficient，ICC)用于评价不同观测者间测量的变异性。利用逻辑回归（logistic regression,LR）构建ADC分数（A D Cs c o r e）；联合ADCscore、肿瘤的形态学及临床参数构建诺模图，绘制校正曲线及决策曲线。结果：ADC直方图参数中ADCmin、A D Cs t h、A D Ci o t h、A D C2 5t h，所有的形态学参数（肿瘤体积、肿瘤最大径、APsag、T A R）和临床参数（年龄)在高级别与低级别EC 组间具有统计学差异（P0.05）。经LR筛选，最终纳人ADCmin、ADCsthADCioth、A D C2 5t h 构建ADCscore。联合年龄、APsag及ADCscore构建ADC诺模图（经多因素LR分析，以上3个参数为分类高级别与低级别EC的独立风险因素），其预测高级别EC的受试者工作特性曲线下面积（areaundercurve，A U C）、敏感性、特异性在训练组分别为0.8 45、8 1.16%、7 2.46%，验证组分别为0.8 42、76.67%、8 0.0 0%。校正曲线显示，ADC诺模图预测高级别EC具有较高的准确性；决策曲线显示其预测高级别EC在训练组和验证组效能相似。结论：肿瘤全域ADC诺模图有助于术前预测高级别EC,并具有较好的稳定性及良好的诊断效能。【关键词】子宫内膜癌；磁共振；表观扩散系数；直方图分析；诺模图；病理分级【中图分类号】R737.33【文献标识码】AD0I:10.3969/j.issn.1672-4992.2023.18.026【文章编号】16 7 2-4992-（2 0 2 3)18-347 3-0 8Value of whole tumor volume ADC nomogram in diagnosing high-grade endometrialcarcinomaDENG Ying,DAI Qiang,WANG Yin,LI Zhihao,ZHAO Tingting,LIANG Yi,YAN BinDepartment of Radiology,Shaanxi Provincial Cancer Hospital,Shaanxi Xian 710061,China;Department of Medical Imaging,the FirstAffiliated Hospital of Xian Jiaotong University,Shaanxi Xian 710061,China.【A b s t r a c t Objective:To explore and verify the application value of whole tumor volume apparent diffusion coeffi-cient(ADC)nomogram analysis in predicting the high-grade endometrial carcinoma(EC)before operation.Meth-ods:142 patients with EC confirmed by postoperative histopathology were collected retrospectively,and were dividedinto training cohort(n=99)and validation cohort(n=43)in a ratio of 7:3.All patients underwent 3.0-T MR ex-amination before operation.Using 3D Slicer software,manually draw ROI along the tumor edge on each layer of imagecontaining tumor margin on axial T2WI and ADC,and accumulate 3D volume of interesting(VOI)and obtain the sig-nal intensity histogram of 3D ROI and its parameters(including the maximum,minimum,mean,skewness,kurtosis,entropy,5th,10th,25th,50th,75th,90th and 95th percentile of ADC values).Measure the tumor morphology parame-ters,including tumor volume,tumor size,the maximum anteroposterior tumor diameter on sagittal T2-weighted ima-ging(APsag),and the tumor area ratio(TAR).The intraclass correlation coefficient(ICC)was used to evaluate the【收稿日期】2023 04-14【修回日期】2023-0525【基金项目】陕西省西安市创新能力强基计划医学研究项目（编号：2 1YXYJ0102）【作者简介】邓颖（198 8 一），女，山西运城人，主治医师，硕士，主要从事肿瘤影像诊断研究。E-mail：4950 8 36 38 q q.c o m【通信作者】闫斌（197 6 一），男，陕西西安人，博士在读，主任医师，主要从事磁共振成像诊断研究。Em a i l：y a n b i n 3t 2 0 0 8 16 3.c o mModern Oncology 2023,31(18):3473-34803474：肿瘤全域表观扩散系数诺模图诊断高级别子宫内膜癌的价值颖，等邓variability of measurement.Logistic regression(LR)was used to construct the ADCscore-The nomogram was construc-ted by combining the ADCscore,umor morphology,and clinical parameters,and the calibration and decision curveswere plotted.Results:There were statistically significant diferences(P0.05)in ADCmin,ADCsuh,ADCiouh,ADC25thwhich were ADC histogram parameters,all morphology parameters(tumor volume,tumor size,APsag,TAR),and clin-ical parameters(age)between the high-grade and low-grade EC groups.After LR screening,ADCmin,ADCsth,ADCioth,and ADC2ith were included in the ADCcore-After binary multifactor LR,age,APsag,and ADCscore were finallyincluded as independent risk factors for classifying high-grade and low-grade EC,and the ADC nomogram was con-structed.The AUC,sensitivity,and specificity of the ADC nomogram in predicting high-grade EC were 0.845,81.16%,and 72.46%in the training cohort,and 0.842,76.67%,and 80.00%in the validation cohort,respectively.The cali-bration curve showed that the ADC nomogram had high accuracy in predicting high-grade EC,and the decision curveshowed that its predictive efficacy was similar in the training and validation cohort Conclusion:Whole tumor volume ADCnomogram analysis is helpful for preoperative prediction of high-grade EC,and has good stability and diagnostic efficacy.Key words Jendometrial carcinoma,magnetic resonance imaging,ADC,histogram analysis,nomogram,histopatholog-ical grading子宫内膜癌（endometrial carcinoma,EC）是除宫颈癌以外女性盆腔最常见的恶性肿瘤，占女性恶性肿瘤第6 位。决定EC预后的因素有组织学类型、病理分级、肌层浸润深度、淋巴结转移与否、国际妇产科协会（InternationalFederationofGynecology and Obstetrics,FICO)肿瘤分期及患者年龄2 。其中EC的病理分级至关重要,因为其与肿瘤的侵袭性和淋巴结转移倾向相关,进而决定临床路径和决策3-4。EC术前病理评估主要通过诊刮或宫腔镜进行。但是25%的术前活检会造成肿瘤分级被低估，使治疗和长期预后受到影响5。由于部分患者合并宫颈狭窄或其他局部问题，可能导致术前活检的失败6 。现阶段，越来越多的研究表明，表观扩散系数（apparentdiffusion coefficient，A D C）直方图可以作为术前预测EC 病理级别的有效手段7-9。此外,既往研究显示10-1,肿瘤体积与EC 分级相关。因此,本次研究探讨并验证利用ADC直方图联合肿瘤形态学参数及临床参数构建诺模图预测高级别EC。1资料与方法1.1临床资料与分组经本院伦理委员会批准，收集2 0 2 0 年4月至2 0 2 2 年5月期间，术前接受MR检查，手术病理证实为EC的患者142例，年龄30 7 9岁，平均（54.18.2）岁，按7:3的比例分为训练组（n=99）与验证组（n=43）。排除标准：MR检查后2周内，未接受全子宫切除术；肿瘤最大径小于1cm;术前行放疗和或化疗治疗；有明显的运动伪影；MRI资料不完整。手术方案为广泛全子宫、双侧附件切除和盆腔淋巴结清扫术，腹膜后淋巴结切检术。由两名具有2 0 年以上妇科肿瘤手术经验的副主任医师完成手术，一名具有10 年以上妇科肿瘤诊断经验的副主任医师完成病理诊断。根据FICO2009手术病理分期系统，肌层侵犯选择二分类法（肿瘤浸润深度1/2 肌层厚度，定义为深肌层侵犯；肿瘤浸润深度 1/2 肌层厚度，定义为浅肌层侵犯）；EC的病理级别分为I级（高分化）、II级（中分化）、II级（低分化）。随后,I级和I级被归为低级别组,I级被归为高级别组。非子宫内膜样腺癌（癌肉瘤、混合性癌、浆液性癌、透明细胞癌、未分化癌）被归为高级别组。1.2MR扫描采用西门子Skyro3.0-T超导磁共振扫描仪，8 通道相控阵体部线圈。所有病例均行常规MRI及扩散加权成像（d i f f u s i o n w e i g h t e d i ma g i n g,D W I）扫描。具体参数如下：轴位快速自旋回波（TSE）T 2 W I:T R/T E=42 90/93m s；矩阵=384345；F0 V=2 8 0 m m 40 0 m m；层厚/层间距=5/1.5mm;NEX=2。矢状位 TSE T2WI:TR/TE=6100/91 ms;矩阵=32 0 2 6 2;FOV=250mm230mm；层厚/层间距=4/1mm;NEX=2。短轴位TSET2WI:TR/TE=2629/80ms;矩阵=2 56 192;F0V=250mm200mm；层厚/层间距=3.5/0.5 mm;NEX=2。轴位Dixon-VIBE T1WI:TR/TE=5.55/2.46ms;矩阵=32 0 2 7 2;F0V=280mm400mm;层厚/层间距=5/1.5mm；NEX=1。轴位DWI,选择分段读出(readout segmentation of long variable echo-trains,RESLOVE)DWI:TR/TE=5340/62ms;b值=0、10 0 0 s/mm;矩阵=16 0160;F0V=280mm400mm;分段采集数,5;NEX=3。DWI扫描的层厚、层间距与轴位T2WI保持一致。1.3肿瘤分割由影像科高年资主治及主任医师各1名在双盲情况下利用3DSlicer软件（版本：4.10.2；https:/download.slicer.org/）手动分割肿瘤。在轴位T2WI及ADC图上，沿肿瘤边缘逐层勾画感兴趣区，生成3D感兴趣容积（volumeofinter-esting，VO I），包括囊变、出血及坏死部分（图1）。利用FireVoxel（v.314A,h t t p s:/w w w.f i r e v o x e l.o r g/）软件获得ADC直方图参数，包括最大值（ADCmax），最小值（ADCmin），平均值（ADCmean），偏度（skewness），峰度（kurtosis），熵（en-tropy），第5（5th）、第10（10 th）、第2 5（2 5th）、第50（50 th）、第75（7 5t h）、第90（90 th）、第95（95th）百分位数ADC。肿瘤形态学参数测量（图1）：肿瘤体积：由FireVoxel软件在T2WI上自动获得。肿瘤最大径的测量方法：在短轴位T2WI图上,选择肿瘤的最大截面，测量肿瘤左右径（x）和前后径（y）,在矢状位T2WI图上测量肿瘤上下径（z）。肿瘤最大径为x、y、z 中值最大者。矢状位T2WI肿瘤最大前后径（A Ps a g）：矢状位T2WI图上选择肿瘤最大截面，垂直于子宫长轴测量肿瘤的最大前后径。肿瘤面积比（tumor area rati-o,TAR)，根据之前的文献12 ,在DWI图上选择肿瘤的最大截面层面，测量肿瘤面积，在同层面的T2WI图上测量子宫面积,TAR计算公式如下：TAR=（肿瘤面积/子宫面积）100%。3475MODERNONCO31.No.182023年0 9 月第31卷第18 期现代肿瘤医学ABDFGH图1子宫内膜癌ROI勾画及形态学参数测量示意图A：轴位T2WI图，宫腔内肿块T2WI呈稍高信号；B：轴位T2WI图，肿瘤感兴趣区为绿色覆盖区域；C：轴位ADC图，肿瘤感兴趣区为绿色覆盖区域;D：短轴位T2WI图，肿瘤的左右径（红线，x）、前后径（绿线，y）;E：失状位T2WI图，肿瘤上下径（z);F：失状位T2WI,绿线为子宫长轴，红线为矢状位肿瘤的最大前后径（APsag）;G：轴位DWI(b=1000s/mm）图，选择肿瘤最大截面测量肿瘤面积;H：轴位T2WI图（G图同层面），沿子宫外缘测量子宫最大面积。Fig.1Drawing the outline of the ROI and morphological parameter measurement of endometrial carcinomaA:Axial T2WI,the mass in the uterine cavity showed slightly high signal.B:Axial T2WI,the ROI was the green area covered the tumor.C:Axial ADC,the ROI was the green area covered the tumor.D:Short-axial T2 WI,the red line represents the transverse diameter(x),and the green line representsthe anteriorposterior diameter(y).E:Sagittal T2WI,the red line represents the suprainferior diameter(z)of the tumor.F:Sagittal T2WI,the green linerepresents the uterine longitudinal axis,and the red line represents the maximum anteriorposterior diameter of the tumor in the sagittal plane(APsag).G:Axis DWI(b=1 000 s/mm?),the tumor area was measured on largest slice of the tumor.H.Axial T2 WI,the maximum area of the uterus was meas-ured along the outeredgeof theuterus.1.4统计学分析采用SPSS17.0进行统计分析，进行正态性及方差齐性检验。符合正态分布的资料采用两独立样本t检验，偏态分布资料采用Mann-WhitneyU检验，比较两组间直方图参数是否具有统计学差异,P 0.8 的参数被排除。利用单因素、多因素逻辑回归（logistic regression,LR）构建预测模型。采用R语言（版本,3.0.1,https：/w w w.R-project.org)进行诺模图绘制，并获得校正曲线及决策曲线。采用受试者工作特性曲线（receiveroperatingcharacteristiccurve,ROC）下面积（areaunder curve，A U C）评价预测模型的诊断效能。采用最大Youden指数（敏感性+特异性-1)来确定最佳阈值及相应的敏感性、特异性和准确性。采用组内相关系数（intraclass correlation coefficient，ICC）评估ADC直方图参数的观察者间变异性，解释为：ICC0.5，一致性差；0.5ICC0.75，一致性中等0.7 5ICC0.9，一致性好；ICC0.9，一致性极好。2结果2.1组织病理学结果所有病例（n=142)均经术后病理证实,其中12 3例为子宫内膜样腺癌；其他病理亚型19例，包括癌肉瘤5例、透明细胞癌1例、混合性癌9例、未分化癌2 例、浆液性癌2 例。142例患者中，43例为高级别EC（30.3%），平均年龄（57.87.7)岁；99例为低级别EC（6 9.7%），平均年龄（52.57.8）岁。较低级别组，高级别EC患者的年龄更大，两组间有统计学差异（PADCkurt重复性较差（ICC：0.40 5 0.47 5）（表1）2.3不同病理级别数比较及筛选不同病理级别EC的年龄、形态学参数、ADC直方图参数（表2）,经t检验和U检验后,P0.05的特征被保留，包括：年龄、肿瘤体积、肿瘤最大径、APsag、T A R、A D Cmi n、ADCsthADCioth、A D C,2.4ADC直方图参数筛选及ADC分数预测模型的分类效能利用LR,将纳人的ADC直方图参数构建ADC分数（A D Cs c o r e）。经过单因素和多因素LR，A D Cmi n、A D Cs t h、ADC1oth、A D C2 5s u h 被纳入构建模型，生成ADCscore，公式如下:ADCscore=-0.740+-1.778*ADCmin+6.447*ADCsth+9.366*ADC1oth+3.552*ADC25th cADCscore分类效能（表3），在训练组中，AUC、准确性、特异性、敏感性分别为0.7 8 0、6 9.57%、6 2.32%、7 6.8 1%；验证组中分别为0.7 8 8、6 6.6 7%、6 3.33%、7 0.0 0%3476：颖，等肿瘤全域表观扩散系数诺模图诊断高级别子宫内膜癌的价值表1丙两位观测者对30 例子宫内膜癌患者的肿瘤分割与测量的ICC检验Tab.1Interobserver variability for tumor segmentation and measurement performed by two observers in 30 casesReader 1Reader 2ParametersICC(95%CI)(s)(&s)MRI morphologyTumor volume(cm)15.463 16.19815.919 16.0970.973(0.944 0.987)Tumor size(cm)4.653 1.9114.608 1.9600.934(0.866 0.968)APsag(cm)2.139 0.9472.161 1.0210.944(0.885 0.973)Area of tumor9.043 5.5819.095 5.9080.969(0.935 0.985)Area of uterine25.970 13.44127.323 15.2060.960(0.919 0.981)Histogram ADC(10-3 mm/s)ADCmin0.499 0.2050.462 0.2070.888(0.779 0.945)ADCmax1.500 0.4291.461 0.3510.793(0.609 0.896)ADCmean0.908 0.2040.906 0.2040.957(0.911 0.979)ADCsth0.669 0.3200.666 0.1620.978(0.9540.989)ADCioth0.719 0.1580.716 0.1610.960(0.917 0.981)ADC25th0.779 0.1750.795 0.1730.932(0.862 0.967)ADCsoth0.864 0.2140.897 0.2100.868(0.741 0.935)ADC7sth1.020 0.2481.010 0.2370.932(0.863 0.967)ADCoth1.130 0.2701.121 0.2680.934(0.866 0.968)ADCosth1.205 0.2941.198 0.2830.901(0.802 0.951)ADCskewness0.468 0.7670.427 0.5460.475(0.144 0.710)ADCkurtosis1.554 3.1281.009 1.5180.405(0.059 0.665)ADCentopy3.764 0.3463.748 0.3200.641(0.370 0.811)注：CI：置信区间。Note:CI:Confidence interval.表2 不同病理级别子宫内膜癌参数比较xsTab.2Comparison of parameters of different pathological grades of ECxsHigh-gradeLow-gradeParametersGrade 1Grade 2Grade 3P(t)P(U)(n=43)(n=99)Age(years)48.1 6.653.2 7.957.8 7.857.87.852.5 7.90.0010.001MRI morphologyTumor volume(cm3)7.975 11.67915.450 19.74648.072132.29548.072132.29514.469 18.9120.0140.001Tumor size(cm)3.841 2.1164.261 2.0405.244 3.1165.244 3.1164.206 2.0340.0200.018APsag(cm)1.318 0.8671.864 1.1582.8501.8242.850 1.8241.793 1.1290.0010.001TAR(%)19.856 7.57231.671 18.86041.37423.58441.374 23.58430.120 8.1190.0020.002Histogram ADC(10-3 mm/s)ADCmin0.658 0.1490.528 0.1860.404 0.2010.404 0.2010.545 0.1850.0010.001ADCmax1.680 0.6091.616 0.4651.673 0.6201.673 0.6201.625 0.4840.5140.488ADCmean0.976 0.3260.944 0.1760.912 0.1900.912 0.1900.949 0.1990.3070.066ADCsth0.775 0.1910.689 0.1520.643 0.1470.643 0.1470.700 0.1590.0470.010ADCioth0.840 0.1770.743 0.1490.695 0.1440.695 0.1440.755 0.1550.0310.010ADC25th0.939 0.2030.825 0.1550.787 0.1480.787 0.1480.840 0.1650.0370.019ADCsoth1.088 0.2510.928 0.1730.890 0.1700.890 0.1700.949 0.1900.0830.035ADC75ih1.225 0.3041.053 0.2121.022 0.2331.022 0.2331.076 0.2300.2050.059ADCoih1.358 0.3211.183 0.2501.162 0.2991.162 0.2991.206 0.2640.3900.095ADCosih1.416 0.3481.275 0.2761.259 0.3431.2590.3431.294 0.2870.5350.117ADCskewness0.362 0.9130.542 0.6680.479 0.6020.479 0.6020.519 0.6990.7490.379ADCkurtosis-0.0745 0.6881.327 2.1771.627 1.8941.627 1.8941.143 2.0860.1950.016ADCentopy3.520 0.5973.790 0.2733.806 0.1923.806 0.1923.755 0.3400.3610.431注：t检验和U检验的P值代表高级别与低级别子宫内膜癌的比较。Note:The P values of the t-test and U-test represent the comparison of high-grade and low-grade EC.2.5联合模型的参数筛选与最佳模型的选择单因素LR显示,患者年龄、肿瘤体积、肿瘤最大径、APsag、T A R及ADCscore在分类高级别与低级别EC时均有统计学差异。多因素LR显示，仅年龄、APsag及ADCscore为鉴别高级别与低级别EC的独立风险因素（表4）。因此，年龄、APsag及ADCscore被最终纳人构建联合模型。3477.MODERNONCOLOOL.31.No.182023年0 9 月第31卷第18 期现代肿瘤医学表3ADCscore模型、临床模型及ADC诺模图在训练组及验证组中的诊断效能Tab.3Diagnostic efficacy of ADCscore model,clinical model and combined model in training cohort and validation cohortTraining cohort(n=99)Validation cohort(n=43)ParametersAUC(95%CI)ACC(%)SPE(%)SEN(%)AUC(95%CI)ACC(%)SPE(%)SEN(%)ADCscore0.780(0.732 0.845)69.5762.3276.810.788(0.728 0.850)66.6763.3370.00Clinical(Age+APsag)0.770(0.733 0.812)71.0177.1464.710.753(0.694 0.805)65.0075.8664.84ADC nomogram0.845(0.7760.889)76.8172.4681.160.842(0.783 0.892)78.3380.0076.67注：ACC：准确性；SPE：特异性；SEN：敏感性。Note:ACC:Accuracy.SPE:Specificity.SEN:Sensitivity.表4单因素及多因素逻辑回归对联合模型参数的筛选Tab.4Univariate and multivariate logistic regression for the final prediction model parameters screeningUnivariateMultivariateParametersOR95%CIPOR95%CIPAge1.9831.329 2.9580.0012.0031.171 3.4270.011Tumor volume1.4851.067 1.9840.0461.0190.785 1.3220.752Tumor size1.5541.041 2.3210.0310.9660.389 2.3960.753APsag2.6311.539 4.4960.0012.1991.1676.3050.048TAR1.9571.241 3.0870.0040.7790.376 1.6150.502ADCscore4.2092.232 7.9350.0013.7281.833 7.6250.001利用LR、支持向量机（supportvectormachine,SVM）、K邻近（K-nearest neighbor,KNN）、随机森林（random forest,RF）及决策树（decisiontree,DT)五种算法构建5个预测模型（表5）。与其他模型相比（AUCsvM=0.835,AUCkNN=0.774，AUCRF=0.802，A U CD T=0.8 19），LR具有最高的预测价值（A U C=0.8 45），因此，我们最终决定采用LR构建预测模型。表5五种机器学习方法构建预测模型的结果Tab.5The results of five machine learning methods to construct prediction modelsTraining cohort(n=99)Validation cohort(n=43)ModelAUC(95%CI)ACC(%)SPE(%)SEN(%)AUC(95%CI)ACC(%)SPE(%)SEN(%)LR0.845(0.776 0.889)76.8172.4681.160.842(0.783 0.892)78.3380.0076.67SVM0.835(0.764 0.875)78.9980.5677.270.823(0.743 0.877)76.6770.3781.82KNN0.774(0.689 0.842)71.0162.1279.170.783(0.7230.841)68.3382.6159.46RF0.802(0.7280.865)77.5479.7175.360.666(0.589 0.724)68.3365.3870.59DT0.819(0.7370.866)78.2681.1676.360.694(0.607 0.733)71.7664.5279.312.6ADC诺模图的构建为了促进临床推广，我们联合临床（年龄）、肿瘤形态学参数（APsag）及ADCscore构建ADC诺模图（图2 A）。与临床模型（年龄+APsag,AUC训练组=0.7 7 0,AUC验证组=0.7 33）及ADCcce（A U C训练组=0.7 8 0,AUC验证组=0.7 8 8）相比,ADC 诺模图预测高级别EC具有更高的诊断效能（图2 B-C）,A U C、敏感性、特异性在训练组分别为0.8 45、8 1.16%、7 2.46%；验证组分别为0.8 42、7 6.6 7%、8 0.0 0%（表3）。校正曲线显示（图3），无论在训练组还是验证组，ADC诺模图预测高级别EC具有较高的准确性；决策曲线显示（图4），ADC诺模图预测高级别EC训练组和验证组效能相似，使患者获益。3讨论本研究开发并验证了一种术前预测高级别EC的ADC诺模图模型，并且取得了较好的预测效能（AUC训练组=0.8 45，AUC验证组=0.8 42)。与其他研究相比5.9-15,我们的模型具有以下优势：首先，该模型所纳入的参数，在临床工作中容易获得,易于临床推广。其次，本研究经过单因素及多因素LR分析筛选ADC直方图参数，生成ADCscore，较单纯ADC直方图参数具有更高诊断效能7 。最后，本研究采用五种机器学习算法，筛选最佳模型。本研究显示，ADCscere（预测因子包括ADCminADCst、ADC1oth、A D C2 5t h）有助于术前分类高级别与低级别EC,在训练组中,AUC、准确性、特异性、敏感性分别为0.7 8 0、6 9.57%、62.32%、7 6.8 1%；验证组中分别为0.7 8 8、6 6.6 7%、6 3.33%、70.00%。ZH A NG 等7 利用ADC直方图鉴别I。期EC与子宫内膜良性病变的研究结果显示：AD