关键词:
直肠癌
肿瘤退缩分级
机器学习
影像组学
新辅助放化疗
摘要:
目的基于增强CT影像特征构建多模态影像组学模型,预测局部进展期直肠癌(locally advanced rectal cancer,LARC)患者接受新辅助放化疗(neoadjuvant chemoradiotherapy,NCRT)后的肿瘤退缩分级(tumor regression grade,TRG)。方法回顾性分析2016年10月至2023年10月期间四川大学华西医院收治的符合纳入排除标准的199例LARC患者的临床资料,纳入患者皆在NCRT后联合全直肠系膜切除术。收集患者的临床病理信息,并提取NCRT前CT图像的影像组学特性。使用Python 3.13.0进行特征降维,并采用单因素logistic回归和Lasso回归5倍交叉验证方法筛选影像组学特征。将所有患者按照7∶3的比例随机分为训练集和测试集进行机器学习并构建联合模型,计算准确率、灵敏度、特异度、曲线下面积(area under curve,AUC),并绘制受试者工作特征曲线、混淆矩阵、临床决策曲线(decision curve analysis,DCA)以评估模型性能。结果199例患者中,疗效不良155例(77.89%),疗效良好44例(22.11%)。使用单因素logistic回归(logistic regression,LR)和Lasso回归筛选出8个临床病理特征和5个影像组学特征(包括1个形状特征,2个一阶统计特征,2个纹理特征),分别建立LR模型、支持向量机(support vector machine,SVM)模型、随机森林(random forest,RF)模型、分布式梯度增强库(eXtreme gradient boosting,XGBoost)模型。训练集中,LR、SVM、RF和XGBoost模型的AUC分别为0.99、0.98、1.00、1.00,准确率分别为0.94、0.93、1.00、1.00,灵敏度分别为0.98、1.00、1.00、1.00,特异度分别为0.80、0.67、1.00、1.00。测试集中,4个模型的AUC分别为0.97、0.92、0.96、0.95,准确率分别为0.87、0.87、0.88、0.90,灵敏度分别为1.00、1.00、1.00、0.95,特异度分别为0.50、0.50、0.56、0.75;其中XGBoost模型的效能最佳,其准确率和特异度最高。DCA显示4个模型均有临床获益。结论基于增强CT的多模态影像组学模型在预测LARC行NCRT的疗效上具有良好的临床应用价值,能实现疗效良好与疗效不良的有效预测,辅助制定个性化的临床干预方案。