三阶段CT深度学习影像组学预测食管癌新辅助放化疗疗效研究

摘要

目的 建立一种基于治疗前、治疗后与手术前三阶段CT影像的深度学习影像组学(deep-learning based radiomics, DLR)模型，用于准确预测食管鳞癌(esophageal squamous cell carcinoma, ESCC)患者新辅助放化疗(neoadjuvant chemoradiotherapy, nCRT)后的病理完全缓解(pathological complete response, pCR)。方法 筛选安阳市肿瘤医院连续接受新辅助放化疗并行根治性切除术的患者，按73的比例随机分为训练组和测试组，以手术后pCR状态进行二分类，构建基于单阶段、两阶段及三阶段CT影像的DLR预测模型。采用受试者工作特征曲线(receiver operating characteristics, ROC)的曲线下面积(area under curve, AUC)与准确性评估各模型预测效能。结果最终纳入88例患者，其中训练组60例，测试组28例；pCR者39例(44.3%)。两组在性别、年龄、临床分期、肿瘤位置、化疗方案、放疗剂量与pCR率上差异无统计学意义(均P>0.05)。在单阶段CT模型中，测试组治疗前、治疗后及手术前的AUC分别为0.823、0.833、0.856,准确率分别为82.1%、64.3%、85.7%。在两阶段CT模型中，测试组治疗前+治疗后、治疗前+手术前、治疗后+手术前的AUC分别为0.884、0.884、0.864,准确率均为82.1%。在三阶段CT(治疗前+治疗后+手术前)模型中，训练组AUC达0.993,准确率为93.3%;测试组AUC为0.905,准确率为82.1%,其预测效能均优于单阶段及两阶段模型。结论 基于三阶段CT影像构建的DLR模型能提升ESCC患者nCRT后pCR的预测准确率，优于单阶段及两阶段CT模型。

关键词

深度学习 / 影像组学 / 食管鳞癌 / 新辅助放化疗 / 病理完全缓解

基金资助

河南省医学科技攻关计划联合共建项目(LHGJ20230863)