子宮內膜癌(EC)作為歐洲女性第四大高發腫瘤，其治療策略高度依賴肌層浸潤深度(DMI)的準確評估。當前臨床依賴超聲(US)或磁共振(MRI)進行術前判斷，但存在操作者依賴性高(經驗差異導致診斷偏差達20%)、共存病變(如子宮肌瘤)干擾等痛點。尤其對于年輕患者保留生育功能的決策，傳統方法難以區分<50%浸潤中的"局灶性浸潤"亞類。

巴里腫瘤研究所聯合團隊在《Scientific Reports》發表研究，創新性將影像組學與深度學習結合。通過77例EC患者的超聲圖像，采用Inception-V3卷積神經網絡(CNN)提取235,200維低階特征，經雙重特征選擇(克魯斯卡爾-沃利斯檢驗+最大相關最小冗余算法)后構建支持向量機(SVM)模型。特別設計級聯式三級分類架構，首次實現"無/局灶浸潤"、"<50%浸潤"和"≥50%浸潤"的自動化區分。

關鍵技術方法：1) 基于相干傳輸算法的圖像修復預處理；2) Inception-V3 CNN遷移學習特征提��；3) 雙重特征選擇策略(非參數檢驗+MRMR算法)；4) 自適應合成采樣(ADASYN)處理數據不平衡；5) 100次十折交叉驗證。樣本來自意大利巴里大學附屬醫院和羅馬Regina Elena國家癌癥中心的77例經病理確診患者。

主要結果
Performance evaluation of depth myometrial invasion prediction model: binary classification
二元模型(mod1)區分≥50%浸潤的AUC達90.76%(95%CI 88.63-92.89)，顯著優于操作者單獨判斷(80.52%準確率)。當模型輔助臨床決策時，精確度提升13.14%(p<0.05)，證實其減少假陽性價值。

Performance evaluation of depth myometrial invasion prediction model: multiclass classification
三級分類模型(mod2)整體準確率84.93%，對關鍵中間類別(<50%浸潤)的召回率(85.63%)較操作者(56.25%)提升29.38%。特別在保留生育功能相關的"無/局灶浸潤"判定中，模型與專家共識(IETA)的一致性達93.33%。

Subjective assessment
對比實驗顯示，模型輔助使操作者對<50%浸潤的判斷準確率從56.25%提升至71.88%，證實其臨床輔助價值。在共存子宮肌瘤等復雜病例中，模型特異性保持91.28%，克服傳統超聲的解剖干擾局限。

結論與意義
該研究首次建立基于超聲的EC肌層浸潤多級預測體系，其創新性體現在：1) 突破MRI依賴，利用低成本超聲實現媲美文獻報道MRI模型(AUC 89-92%)的性能；2) 通過低階特征提取克服超聲圖像噪聲大的缺陷；3) 級聯式架構解決小樣本多分類難題。臨床價值在于：為保留生育功能決策提供≤50%浸潤的精細分層依據；輔助基層醫院實現接近三級中心的診斷水平；標準化評估減少MELF模式(微囊狀伸長碎片樣浸潤)的漏診。未來需擴大樣本驗證設備普適性，但當前成果已為EC精準診療提供新范式。