结直肠癌脉管浸润的术前预测：基于增强CT深度学习影像组学联合临床和病理特征

摘要

目的 探讨基于增强CT深度学习影像组学融合模型联合临床和病理特征在术前预测结直肠癌脉管浸润（LVI）的价值。方法 以术后病理为金标准，回顾性收集蚌埠医科大学第一附属医院2022年1月～2024年10月共219例结直肠癌患者，其中82例为LVI（+）、137例为LVI（-）。按照7∶3的比例将患者划分为训练集（n=153）和验证集（n=66）。基于收集的临床病理数据构建临床模型；基于PyRadiomics提取肿瘤的影像组学特征，并利用逻辑回归、随机森林、K近邻、极端梯度提升、支持向量机、极端随机树和朴素贝叶斯7个分类器训练获得最佳分类器，以构建影像组学（Rad）模型；使用预训练的DenseNet121深度学习网络模型进行深度学习模型的训练构建深度学习（DL＿3D）模型，将产生的深度学习评分（DL＿score）与影像组学特征融合，选择最优分类器KNN构建融合模型（Fusion＿DLR）。通过ROC曲线下面积（AUC）、特异度等评价诊断效能；通过校准曲线、决策曲线评价模型的校准度和临床应用价值。对术前临床病理资料行单因素logistic分析，筛选出有意义的临床特征后与上述4种模型中的最佳模型联合并绘制列线图可视化。结果 单因素logistic回归分析显示病理分级有统计学意义（P<0.05）。融合模型在训练集及验证集的AUC分别为0.927(95%CI:0.863～0.990)、0.823(95%CI:0.684～0.962)。其余3种模型在训练集的AUC分别为0.847、0.823、0.862，在验证集的AUC分别为0.677、0.792、0.765，融合模型为最佳模型。融合模型与病理分级联合构建的列线图直观显示了病理分级越高的患者LVI（+）的风险越高。结论 基于增强CT深度学习影像组学融合模型联合临床和病理特征对结直肠癌LVI状态有潜在的预测价值。

关键词

结直肠癌 / 脉管浸润 / 影像组学 / 深度学习