研究背景:子宫肌瘤（Uterine leiomyoma,UL）,是子宫最常见的良性间叶组织来源肿瘤,在育龄期和围绝经期女性中的发现率分别为20-40%和70-80%,治疗方式包括手术和保守治疗。子宫肉瘤（Uterine sarcoma）,包括间叶来源和混合上皮-间叶来源两个大类,主要包括平滑肌肉瘤（Uterine leiomyosarcoma,u LMS）,内膜间质肉瘤（Uterine endometrial stromal sarcoma,u ESS）,癌肉瘤（Uterine carcinosarcoma,u CS）,腺肉瘤（Uterine adenosarcoma,u AS）和其他罕见种类,虽然发病率较低,但预后极差,治疗方式主要是手术治疗。如何对两者进行鉴别诊断是妇科医生每天必须面临的难题,每一千例“UL”手术中,有3例是US,把肉瘤当作肌瘤进行处理,预后是灾难性的。美国食品药品监督管理局（food and drug Administration,FDA）就曾报道一例因将肉瘤诊断为肌瘤而选择腹腔镜下的肌瘤粉碎术,导致了肿瘤腹腔播散的病例。而近年来,随着高强度聚焦超声（High intensity focused ultrasound,HIFU）治疗UL的技术在临床中广泛应用,术前对两组疾病进行鉴别,对于这一微无创治疗方法的病例选择和制定精准个性化治疗方案有很大的应用价值。两组疾病的术前鉴别诊断多基于临床相关指标和影像学中的磁共振成像（Magnetic resonance imaging,MRI）,但目前尚无简单、高效和实用的方法对两者进行鉴别,尤其是当UL出现继发性改变,即成为变性肌瘤（Degenerated leiomyoma,DL）时则更加增加了鉴别的难度。已有相关临床研究多聚焦于u LMS和无继发性改变的UL,对于其他US类型和DL则研究较少。而基于MRI的相关研究虽在近年来逐渐关注US和DL的鉴别,但与临床指标结合不够紧密,且相关影像学指标繁杂,一致性不高,不利于临床推广。因此,基于临床和MRI相关指标,建立一套简单、高效且易于推广的诊断方法就显得尤为重要。研究目的:1.探讨临床相关指标在US、US+（US+u CS）与DL间及不同US亚型间的差异性。2.探讨联合临床及MRI指标在US+与DL鉴别诊断中的价值,建立统计学模型并通过外部数据验证其准确性。3.评价基于多参数磁共振（multiparametric MRI,mp-MRI）的迁移学习特征提取方法的机器学习（machine learning,ML）结合临床指标在鉴别US+和DL中的可行性和有效性,并与基于影像组学的特征提取方法建立的模型进行比较。资料和方法:第一部分1.研究对象符合纳入排除标准的169例US及u CS和430例DL。2.研究方法分析纳入患者的术前身体质量指数（body mass index,BMI）、年龄、临床症状（异常阴道流血、流液,偶然发现,肿瘤占位效应）、绝经状态（是,否）、糖类抗原125（carbohydrate antigen 125,CA125）、糖类抗原19-9（carbohydrate antigen 19-9,CA19-9）、人附睾蛋白4（human epididymis protein 4,HE4）、乳酸脱氢酶（lactate dehydrogenase,LDH）、白细胞总数（the white blood cell count,WBC）、血小板计数（platelet count,PLT）、中性粒细胞绝对值（absolute neutrophil count,NEUT）、淋巴细胞绝对值（absolute lymphocyte count,LYM）、单核细胞绝对值（absolute monocyte count,MONO）、中性/淋巴比值（ratio of neutrophilto-lymphocyte,NLR）及全身炎症反应指数（systemic inflammation response index）。3.统计方法采用SPSS26.0统计学软件完成。第二部分1.研究对象符合纳入排除标准的114例US+和278例DL,以及另一中心符合相同纳入排除标准的外部验证US+（External USE）。2.研究方法分析临床资料同第一部分中的血常规指标,MRI定性指标包含:弥散加权成像（diffusion weighted imaging,DWI）序列和延迟期肿瘤实性成分信号。MRI定量指标包含:（1）肿瘤体积;（2）4个表观扩散系数（apparent diffusion coefficient,ADC）值,分别为:相对肿瘤整体平均ADC（Average whole tumor ADC,Avg w ADC）,肿瘤整体最小ADC（Minimum w ADC,Min w ADC）,肿瘤实性成分平均ADC（Average solid component ADC,Avg s ADC）和肿瘤实性成分最小ADC值（Minimum solid component ADC,Min s ADC）。3.统计方法采用SPSS26.0统计学软件完成。第三部分1.研究对象符合纳入排除标准的86例US+和189例DL,为了保证数据的平衡性,从189名DL患者中随机选取86名作为对照组纳入研究。2.研究方法非图像资料:（1）年龄（岁）;（2）绝经状态（绝经前,绝经后）;（3）临床症状（1.异常阴道流血、流液;2.月经改变;3.腹痛;4.盆腔肿块;5.泌尿系统症状;6.体检偶然发现）;（4）肿瘤最大径;（5）肿瘤实性成分平均ADC值。图像资料:所有纳入患者的T2WI和DWI图像均经过标准化预处理后进行ROI勾画。使用Lasso CV对深度学习和影像组学的特征进行选择,使用随机森林（random forest,RF）分类器进行模型建立。所有数据以7:3的比例划分为训练集和测试集。共建立五个模型:（1）临床-ADC（clinical-ADC,C-A）模型:基于4个非图像指标;（2）T2模型:基于8个T2WI特征构建;（3）DWI模型:基于8个DWI特征构建;（4）mp-MRI模型:基于T2WI和DWI序列的16个特征构建;（5）复杂多参数（complex multiparametric,complex mp）模型:基于4各非图像特征和16个mp-MRI特征,共20个特征建立。3.统计方法采用SPSS26.0统计学软件完成。结果:第一部分1.u LMS,u ESS和u CS三组间临床相关指标的比较显示:（1）u LMS与u ESS组间年龄、临床症状、绝经状态、HE4、WBC和NEUT无显著统计学差异,u CS与以上两组间具有显著统计学差异（p值均＜0.05）;（2）u LMS与u CS组间LDH无显著统计学差异,u ESS显著低于以上两组（p=0.032）;（3）三组间NLR及SIRI比较均无显著统计学差异（p=0.485和p=0.185）。2.US+与DL组间临床15项指标中14项具有显著统计学差异,US与DL组间临床15项指标中8项具有显著统计学差异。3.US与DL组间具有显著统计学差异的7个血液学相关指标进行单因素分析,结果显示:敏感性最高的是LYM,特异性最高的是CA125,AUC最大的是HE4,。七个血液学指标联合使用的敏感性、特异性和AUC分别为63.2%、75.5%和0.72,仅AUC优于各指标独立应用。4.u LMS、u ESS、u CS组与DL组间临床相关指标的比较显示,:（1）u LMS与DL组间15项指标中7项具有显著性差异;（2）u ESS与DL组间15项指标中5项具有显著性差异;（3）u CS与DL组间15项指标中11项具有显著性差异。第二部分1.US+和DL组间临床及MRI指标的比较显示,US+组年龄显著高于DL组,以绝经后女性多见,临床症状更易表现为异常阴道流血、流液（p值均＜0.001）,US+组WBC、NEUT、NLR和SIRI显著高于DL组,US+组LYM显著低于DL组（p值均＜0.05）,US+组肿瘤实性成分以DWI序列高信号,延迟期较子宫肌层呈低信号为主要表现,DL组肿瘤实性成分以DWI序列等信号,延迟期较子宫肌层呈等信号为主要表现（p值均＜0.001）,US+组4个ADC值均显著低于DL组（p值均小于0.001）。2.临床指标中,当分别以年龄大于50岁,绝经后,以阴道流血、流液为临床症状,WBC＞6.37×109/L,NEUT＞3.67×109/L,LYM＜1.47×109/L,NLR＞3.13和SIRI＞0.93为标准诊断US+时,AUC范围为0.59-0.66;MR的定性指标中,当分别以DWI高信号和延迟期低于肌层信号作为标准诊断US+时,AUC分别为0.89和0.69;MR的定量指标中,Avg ADC值诊断效能高于Min ADC,当分别以Avg w ADC＜0.83和Avg s ADC＜0.70为标准诊断US+时,AUC分别为0.75和0.83,但考虑到测量的可重复性及简便性,仅纳入Avg w ADC进行逻辑回归分析。3.以阴道流血、流液,绝经后,DWI高信号,延迟期相对低信号和肿瘤整体Avg w ADC＜0.83诊断US+的预测分值分别为2,1,5,2和2,当总分数大于5时,诊断为US+的敏感性、特异性及AUC分别为90.4%,88.9%和0.96。4.USE组32例子宫肉瘤患者中,仅有3人评分小于或等于5分,即此诊断模型对USE组的诊断率为90.6%。5.当以≥5分诊断US+时,敏感性、特异性和准确性分别为95.6%,78.4%和83.3%,此时,模型在USE组中诊断的敏感性为96.9%;当以≥4分诊断US+时,敏感性、特异性和准确性分别为98.2%,71.4%和71.6%,此时,模型在USE组中诊断的敏感性为96.9%第三部分1.US+组年龄显著高于DL组（p＜0.01）,以绝经后女性多见（p＜0.01）。两组患者间的临床表现比较显示,US+组更常表现为异常阴道流血（p＜0.01）。US+组肿瘤最大径和平均ADC值均显著低于DL组（p=0.032和p＜0.01）。2.基于迁移学习建立的各模型中,以不同神经网络作为特征提取方法的模型效能比较显示,T2模型中效能较高的是Resnet50和Xception;DWI模型中效能较高的是Inception V3和Resnet50;mp-MRI模型中效能较高的是Resnet50和Xception。因此在仅基于图像特征进行建模用于US+和DL的鉴别时,Resnet50可能具有较高的效能。3.在complex mp模型的特征提取方法的比较中,基于迁移学习模型的AUC优于基于影像组学的模型。在5种模型的各项评价指标的比较中,除准确率最高的是C-A模型外,其余各项指标最高的均为基于不同神经网络的迁移学习的complex mp模型。结论:1.结合临床相关指标对US和DL进行鉴别,当以CA125,HE4,LDH,PLT,LYM,NLR,SIRI为独立指标诊断US时,最高AUC为0.65,七个指标联合用于两组疾病鉴别时可轻度提高AUC至0.72。三个不同病理亚型肉瘤与DL的比较中,存在各自不同的临床指标间的差异,能够给术前诊断带来一定的临床指标支持。2.基于临床及MRI相关指标,建立了简单、快捷的临床-影像评分制模型用于鉴别US+和DL。当选择＞5分作为诊断标准时,此模型的AUC可达0.96。对于不同的临床需求,可选择不同的评分阈值以获得更高的敏感性或特异性。此模型用于外部数据验证,对US+的诊断率为90.6%,具有较好的普适性。3.基于我们的数据,在US+和DL两组疾病的鉴别中,深度学习中的迁移学习可用于影像组学,且优于传统影像组学。基于临床-影像-影像组学特征建立的ML模型具有较高的诊断效能。