基于磁共振深度学习特征的列线图预测直肠癌T分期

摘要

目的:评估基于磁共振深度学习特征、临床及常规影像特征构建的列线图模型在术前区分直肠癌T分期的预测价值。方法:回顾性收集2018年8月～2024年6月在芜湖市第二人民医院接受治疗的198例直肠癌患者数据，分为训练组(138例)和验证组(60例)。从磁共振横轴位T2加权成像(T2WI)图像中提取深度学习特征，并利用最小绝对收缩和选择算子(LASSO)算法进行特征降维和筛选，构建深度学习评分(Deepscore)。通过单因素和多因素Logistic回归分析筛选独立危险因素，分别构建临床模型、深度学习模型及临床-深度学习联合模型。使用ROC曲线的曲线下面积(AUC)评估各模型的诊断效能，DeLong检验用于比较模型间的差异，决策曲线分析(DCA)评估模型的临床净收益，校正曲线评价模型的校准度。结果:筛选出9个最优的深度学习特征且多因素分析显示，肿瘤最大直径、长度、毛刺及Deepscore为独立危险因素。训练组联合模型的AUC为0.866,表现优于临床模型(AUC=0.725,Z=3.007、P=0.002)和深度学习模型(AUC=0.765,Z=2.754,P=0.005);验证组联合模型的AUC为0.821,优于临床模型(AUC=0.705,Z=2.261,P=0.023),但与深度学习模型差异无统计学意义(AUC=0.720,Z=1.730,P=0.083)。结论:基于磁共振T2WI图像的深度学习特征，结合临床及常规影像特征，能够准确术前区分直肠癌T1～2和T3～4分期，为临床制订个体化治疗方案提供有力支持。

关键词

直肠癌 / TNM分期 / 深度学习 / 磁共振成像