高强度聚焦超声（High-intensity focused ultrasound,HIFU）现已被广泛应用于治疗妇科最常见的良性肿瘤——子宫肌瘤。作为治疗子宫肌瘤唯一的非侵入性手术方法,HIFU消融相比于传统的开腹和腹腔镜手术创伤更小、更安全、住院时间更短且恢复更快。但受子宫肌瘤组织病理学差异、HIFU物理特性以及手术医生操作主观性等因素的综合影响,子宫肌瘤HIFU消融后的转归呈现出个体化差异,这使其术后的随访较传统手术更为特殊。并且,HIFU消融治疗后,肌瘤体积占位效应的解除并不是立竿见影,而是需要一段时间逐渐实现。因此,它需要比子宫肌瘤剔除术更频繁的影像学随访观察。增强核磁共振（Contrast-enhanced magnetic resonance imaging,CE-MRI）无辐射暴露、软组织分辨率高,是子宫肌瘤HIFU消融后疗效监控最理想的影像学工具。然而,因为MRI检查费用高、扫描时间长、钆类造影剂对身体存在潜在副作用,使其无法频繁用于转归监控,导致手术医生无法及时准确地了解到术后病灶的变化情况,进而影响下一步临床决策的制定。随着医疗大数据时代的到来,凭借在分析和处理海量数据方面的巨大优势,机器学习和影像组学逐渐成为预测预后疗效和临床决策制定的有效辅助工具。通过大数据思维寻找各种自变量数据和因变量间的相关性,挖掘出影像学特征和疾病治疗后转归之间的规律,进一步建立定量化的预测模型,这将是解决子宫肌瘤HIFU消融后的随访依赖于影像学检查却又受限于实际成本无法频繁开展的理想途径。本文围绕子宫肌瘤HIFU消融后病灶组成的两部分,即坏死组织和残余肌瘤组织开展了三方面的研究,研究内容如下:目的（1）通过医生自主阅片对子宫肌瘤HIFU消融的MRI影像学特征进行判断和测量,特征筛选后用于训练多种机器学习模型分别预测术后坏死组织和残余肌瘤组织的转归,评估验证模型后将模型进行临床应用。（2）基于T2加权成像（T2-weighted imaging,T2WI）的影像组学对HIFU消融子宫肌瘤后1年内残余肌瘤的复生长进行预测。建立临床影像学模型、影像组学模型和影像组学-临床组合模型的横向对比,进而比较医生自主阅片和计算机智能阅片在预测子宫肌瘤HIFU消融后残余肌瘤转归上的差异性。（3）利用多元线性回归和病例匹配分析真实病例HIFU剂量参数与坏死组织吸收速率的相关性,并设计动物实验进行机理研究,旨在探索HIFU消融时的剂量投放对后续坏死吸收的影响,为下一步寻找子宫肌瘤HIFU消融后更短时间的临床症状改善方案提供一定的实验参考。方法（1）回顾性收集在重庆医科大学附属第一医院和重庆海扶医院诊断为子宫肌瘤并接受HIFU消融治疗的病例。病例需具有术前、术后1天及随访时的MRI影像资料。最终,来源于重庆海扶医院的405个病例被作为训练集,来源于重庆医科大学附属第一医院的168个病例被作为测试集。同时,对所有病例进行再干预情况的电话随访调查。通过医生自主判断和测量MRI影像资料获得年龄、随访时间、肌瘤数量、治疗肌瘤数量、国际妇产科联盟（International Federation of Gynecology and Obstetrics,FIGO）分型、T2WI类型、血供情况、残余肌瘤最大厚度、残余肌瘤基底部范围、非灌注区体积占比（The non-perfused volume ratio,NPVR）、术后非灌注区体积（The non-perfused volume,NPV）、术后残余肌瘤体积（Residual fibroids volume,RFV）、腹壁脂肪层厚度和肌瘤中心到体表最大前后径14特征。通过Boruta算法对全部特征进行筛选,利用scikit-learn机器学习库中包含的机器学习算法分别以NPV缩小值和残余肌瘤复生长为结局构建预测模型。对NPV缩小值采用线性回归（Linear regression,Li R）、随机森林（Random forest,RF）和多层感知器（Multilayer perceptron,MLP）3种预测模型;对残余肌瘤复生长采用逻辑回归（Logistic regression,Lo R）、RF和MLP 3种预测模型。通过重复10次十折交叉验证,以网格搜索过程中的最佳决定系数（R~2）选择最佳模型超参数,以评价指标在10次十折交叉验证后的平均值作为模型的验证结果。用R~2、平均绝对误差（Mean absolute error,MAE）、均方误差（Mean square error,MSE）、中位数绝对误差（Median absolute error,Med AE）和可解释方差（Explained variance,EV）评价模型对NPV缩小值的预测能力。用受试者工作特征曲线（Receiver operating characteristic curve,ROC）评价模型对残留肌瘤复生长的预测能力。最优模型用于预测治疗后30、60、90、180、270、360天的转归并绘制转归预测曲线。（2）回顾性收集在重庆医科大学附属第一医院和重庆海扶医院诊断为子宫肌瘤进而接受HIFU消融治疗的病例。病例需具有术前、术后1天以及随访时的MRI影像资料。以治疗后1年以内残余肌瘤复生长情况对术后1天的MRI图像进行标签设定。两个中心各收集到104和324个满足条件的病例。以重庆海扶医院的243和81个病例作为训练队列和内部验证队列,以重庆医科大学附属第一医院的104个病例作为外部验证队列。从所有患者的MR-T2WI中提取851个影像组学特征,通过最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator,LASSO）对训练队列进行特征选择,随后采用支持向量机（Support vector machines,SVM）分别构建临床-影像学模型、影像组学模型、影像组学-临床组合模型。由内、外部验证队列分别对模型进行验证,采用ROC曲线下面积（Area under curve,AUC）和决策曲线分析（Decision curve analysis,DCA）评估模型的预测性能和临床应用价值。（3）回顾性收集在重庆医科大学附属第一医院和重庆海扶医院诊断为单发性子宫肌瘤并接受HIFU消融治疗的209个病例。通过多元线性回归分析平均功率、治疗时间、辐照时间、治疗强度、治疗剂量、能效因子（Energy efficiency factor,EEF）和团块状回声改变7个剂量相关参数与平均坏死吸收率之间的相关性。并按照1:1比例进行高吸收组和低吸收组的病例匹配,卡钳值设定为0.06,匹配的因素包括年龄、随访时间、FIGO分型、T2WI信号类型、血供情况、腹壁脂肪层厚度、肌瘤中心到体表最大前后径、NPVR、残余肌瘤最大厚度、残余肌瘤基底部范围、术后NPV和术后RFV,进一步分析剂量相关参数在坏死吸收率高低之间的差异性。基于临床数据分析结论,在实验兔的正常肝脏组织建立两组不同HIFU剂量所致的损伤模型,低剂量组HIFU投放剂量参数:功率250W,辐照时间8s,单点单次辐照;高剂量组HIFU投放剂量参数:功率250W,辐照时间8s,单点两次辐照,间隔时间3s。分别在消融后即刻、1天、3天、7天、15天和35天通过超声影像和组织病理对损伤区域的转归进行连续型观察。结果（1）14个对NPV缩小值具有预测重要性的MRI影像特征被用于机器学习模型的建立,其中术后NPV、术后RFV和NPVR的重要性依次排在前三位。在构建的3种定量化预测模型中,通过重复10次十折交叉验证后MLP达到了最好的预测表现,其平均的R~2、MAE、MSE、Med AE和EV分别为0.907、7.506、191.089、4.015和0.910,而Li R和RF的平均R~2分别为0.809和0.879。测试集中,预测表现最好的是Li R,其R~2、MAE、MSE、Med AE和EV分别为0.851、13.375、526.454、7.711和0.858。RF和MLP的R~2分别为0.828和0.792。在10个对残余肌瘤复生长具有预测重要性的特征中,残余肌瘤最大厚度、NPVR、残余肌瘤基底部范围的重要性依次排在前三位。构建的3种预测模型中,RF在训练集和测试集中均表现最优,通过重复10次十折交叉验证,其平均AUC为0.904（95%CI,0.869-0.939）。在测试集中,其AUC为0.891（95%CI,0.850-0.929）,灵敏度0.833,特异度0.813,准确度0.821。在关于术后再干预情况的调查中,治疗后出现残余肌瘤复生长的有174例（44.73%）,再干预的病例数为74例（19.02%）,包括再次HIFU消融治疗24例（32.43%）,子宫肌瘤剔除术41例（55.41%）,子宫切除术4例（5.41%）,药物治疗3例（4.05%）,其它2例（2.70%）。HIFU消融后发生再干预的中位间隔时间为18（四分位距:12-36）个月。在选择再干预的患者中,77.03%的患者发生了残余肌瘤复生长,发生残余肌瘤复生长时的再干预发生概率为32.76%,而残余肌瘤未发生复生长时,再干预发生概率仅为7.91%。（2）在基于MR-T2WI提取的851个影像组学特征中,有665（78.1%）个具有良好的观察者间一致性,组内相关系数（Intraclass correlation coefficient,ICC）＞0.8。使用LASSO选择其中17个非零系数特征,包括1个灰度级依赖矩阵（Gray Level Dependence Matrix,GLDM）特征、1个灰度级运行长度矩阵（Gray Level Run Length Matrix,GLRLM）特征和15个小波特征,预测模型在内、外部验证队列的AUC值分别是0.830（95%CI,0.733-0.913）和0.803（95%CI,0.774-0.889）。当影像组学特征和临床影像学特征联合建模时,组合模型比影像组学模型和临床影像学模型具有更强的预测能力,其在内、外部验证队列的AUC值分别为0.922（95%CI,0.857-0.987）和0.930（95%CI,0.879-0.979）。DCA结果表明影像组学-临床组合模型具有良好的临床应用价值。（3）在第一节研究中发现HIFU消融子宫肌瘤后的EEF是平均坏死吸收率的独立影响因素（回归系数=0.299,P＜0.001）,EEF越高,HIFU消融所致子宫肌瘤的平均坏死吸收率就越高,具体关系为:EEF增加1会导致平均坏死吸收率提升0.299%。通过病例匹配后,高吸收组的EEF为4.81（2.69-7.05）J/mm~3,低吸收组的EEF为2.32（1.37-4.55）J/mm~3。但在平均功率、治疗时间、辐照时间、治疗剂量、治疗强度上未表现出显著的统计学差异（P＞0.05）。第二节研究中,在以正常兔肝构建的HIFU致凝固性坏死组织模型中,低剂量组（功率250W,辐照时间8s,单点单次辐照）的HIFU损伤范围比例的变化较高剂量组（功率250W,辐照时间8s,单点两次辐照）在辐照后7天内增加得更快,而7天至35天的缩小也更迅速,并且,低剂量组的EEF显著大于高剂量组。辐照后35天,低剂量组损伤区域完全被组织纤维代替,内部充满大量胶原纤维束,周边为正常肝脏组织,而高剂量组损伤区域中心仍可见凝固性坏死组织,并可见散在分布的淡蓝色钙化小颗粒。结论（1）基于MRI影像特征的机器学习可以准确预测子宫肌瘤HIFU消融后的NPV缩小值和残余肌瘤复生长,通过绘制转归预测曲线实现了对病灶术后变化情况的可视化。这为患者了解自身肌瘤HIFU消融后的变化提供了一个预测工具,也为医生对术后病例的管理提供了一种新的参考方法。（2）基于MR-T2WI的影像组学可有效预测子宫肌瘤HIFU消融后1年内残余肌瘤复生长的发生。为临床决策的制定提供了一种客观、准确和便捷的参考方法,同时,为下一步建立基于大数据监控的标准化、准确可靠且推广性强的疗效评价方案奠定了基础。（3）HIFU消融子宫肌瘤时,治疗方案应至少留有足够的组织修复所需周围组织,适当提高消融时的EEF对于坏死组织的吸收有一定的促进作用。这为下一步探索能够兼顾高NPVR和促进坏死组织吸收的子宫肌瘤HIFU消融方案提供了一定的实验参考。