来源：期刊VIP网 时间：
作者：李雪萌;周燕飞;王傲阳;赵敏;王璟;江丽;韦炜;高飞;
单位：蚌埠医科大学研究生院;中国科学院合肥肿瘤医院医学影像中心;皖南医学院研究生院;池州市人民医院病理科;中国科学技术大学附属第一医院(安徽省立医院)影像科;
摘要：目的 建立基于多模态MRI影像组学及临床-影像表型特征的预测模型，评价其治疗前预测局部进展期直肠癌(locally advanced rectal cancer, LARC)新辅助放化疗(neoadjuvant chemoradiotherapy, nCRT)疗效的效能及临床应用价值，并通过Shapley分析赋予多模态影像组学模型可解释性。材料与方法 回顾性分析2018年1月至2024年12月中国科学技术大学附属第一医院(中心1)、中国科学院合肥肿瘤医院(中心2)共172例接受nCRT并进行手术切除的LARC患者，收集临床病理资料及nCRT前MRI图像资料。根据术后病理结果，按照第8版AJCC直肠癌肿瘤退缩分级(tumor regression grading, TRG)标准，将TRG 0～1级的患者分为反应良好(good responders, GR)组(n=77),TRG 2～3级分为反应不良(poor responders, PR)组(n=95)。中心1的患者按7∶3的比例随机分为训练集(n=92)和内部验证集(n=40)，中心2的患者作为外部验证集(n=40)。选择高分辨率轴位T2WI、轴位弥散加权成像(diffusion-weighted imaging, DWI)、矢状位对比增强T1WI(contrast-enhanced T1WI, CE-T1WI)序列沿肿瘤边缘勾画感兴趣区(region of interest, ROI)，对其进行图像预处理后提取组学特征。采用Spearman相关性分析及最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)算法进行特征降维，筛选最优特征。通过极限梯度提升(eXtreme gradient boosting, XGBoost)机器学习分类器分别获取T2WI、DWI、CE-T1WI、多模态(T2WI、DWI、CE-T1WI)影像组学评分(radiomics score, Rad-score)，分别构建T2WI、DWI、CE-T1WI、多模态影像组学模型；通过单因素、多因素logistic回归筛选临床-影像表型独立预测因子构建临床-影像表型模型。最后，选择临床-影像表型独立预测因子联合多模态影像组学Rad-score建立列线图模型。受试者工作特征(receiver operating characteristic, ROC)曲线用于各模型预测效能的评估，其中，表现最优的影像组学模型进一步使用Shapley算法进行解释。结果 单因素及多因素logistic回归分析显示，年龄、肿瘤长径、nCRT方案可独立预测疗效，临床-影像表型模型在训练集、内部验证集、外部验证集的ROC曲线下面积(area under the curve, AUC)为0.80(95%CI:0.75～0.85)、0.73(95%CI:0.68～0.78)、0.60(95%CI:0.55～0.65)。最佳影像组学模型为基于T2WI、DWI、CE-T1WI序列联合构建的多模态模型，其在训练集、内部验证集、外部验证集的AUC分别为0.98(95%CI:0.95～1.00)、0.95(95%CI:0.91～0.99)、0.86(95%CI:0.81～0.91)。列线图模型在训练集的AUC为0.99(95%CI:0.97～1.00)、精确度、敏感度及特异度分别为98%、95%、98%；在内部验证集中分别为0.98(95%CI:0.95～1.00)、98%、98%、98%；在外部验证集中分别为0.88(95%CI:0.83～0.93)、88%、87%、87%。DeLong检验显示列线图模型的效能显著优于临床模型、影像组学模型(P<0.05)。Shapley分析显示DWI序列中wavelet-LHL＿glszm＿SmallAreaEmphasis为多模态影像组学模型最重要的特征。结论 基于临床-影像表型及多模态磁共振影像组学特征的列线图模型可作为一种准确、无创的方法预测直肠癌患者nCRT疗效，Shapley算法可提供影像组学模型可解释性，经独立的外部队列验证，进一步证明该模型可用于指导临床诊疗及决策。
关键词：局部进展期直肠癌;;新辅助放化疗;;磁共振成像;;多模态;;影像组学;;列线图;;可解释性
基金资助：安徽省重点研究与开发计划项目(编号：2022e07020007);; 北京医学奖励基金项目(编号：YXJL-2025-0483-0275);; 中国科学技术大学附属第一医院(安徽省立医院)医学人工智能联合基金项目(编号：MAI2023C006)~~
