直肠癌瘤内及瘤周CT影像组学联合临床特征对淋巴结转移的预测

摘要

目的 本研究旨在建立基于常规CT影像组学特征的机器学习模型，预测直肠癌术前淋巴结转移(lymph node metastasis, LNM)状态，并评估瘤周定量特征的增益价值。方法 回顾性纳入2019年1月至2023年12月于平邑县中医医院行CT检查的371例经病理证实的直肠癌患者。采用7∶3比例将患者随机分为训练集和测试集。从CT瘤内及瘤周(3、5、7 mm)区域提取6264个影像组学特征，经特征筛选后分别构建瘤内、瘤周影像组学机器学习预测模型。此外，还结合临床因素建立临床模型和联合模型。采用受试者工作特征曲线(receiver operating characteristic, ROC)分析比较各模型预测LNM的性能，并计算曲线下面积(area under the curve, AUC)、敏感性、特异性等指标，并进一步构建最佳模型的列线图。结果 入组患者中，144例(38.81%)发生淋巴结转移。在测试集中，基于瘤周5 mm影像组学特征的模型预测效能最佳(AUC=0.810),且明显优于瘤内模型(AUC=0.709,P=0.046)。将瘤内和瘤周最佳模型与临床因素联合构建的综合模型，在训练集和测试集中分别达到0.871和0.890的AUC值，明显优于单一临床模型(AUC=0.736和0.710,P<0.05),且具有最高的临床获益。结论 综合CT瘤内和瘤周影像组学特征，并结合临床特征的联合模型，在预测直肠癌术前淋巴结转移状态方面表现出优异的效能。瘤周定量特征可能反映了转移的独特生物学过程，对于改善无创性预测直肠癌淋巴结转移状态具有重要价值。基于联合模型构建的列线图有望为临床个体化诊疗决策提供有力支持。

关键词

直肠癌 / 淋巴结转移 / 影像组学 / 机器学习 / 瘤周