Development of a combined nomogram integrating radiomics, deep learning and clinical risk factors to predict neoadjuvant chemoradiotherapy outcomes in patients with rectal cancer

技术摘要：用于预测直肠癌新辅助放化疗预后的综合列线图

问题陈述
准确预测局部晚期直肠癌（RC）的新辅助放化疗（nCRT）预后，对于确定后续治疗策略（如对完全缓解者采取“观察等待”策略，或对无反应者及时进行手术）至关重要。目前的评估方法，包括病理检查（具有侵入性且受限于采样）、直肠指检（具有主观性且无法量化深度）以及血清肿瘤标志物如 CEA（对非分泌型患者无效），缺乏临床决策所需的无创性、准确性和个性化能力。此外，nCRT 后的病灶常表现出水肿、纤维化和炎症，这使得仅通过标准 MRI 进行评估变得复杂。本研究旨在开发一种稳健的、无创的预测工具，通过整合影像学和临床数据来预测 nCRT 的疗效。

研究方法
本研究利用了一个包含 292 例直肠癌患者（训练集 230 例，验证集 62 例）的回顾性队列，这些患者均接受了 nCRT 前的 T2 加权 MRI 和随后的全直肠系膜切除术（TME）。结局定义为病理肿瘤退缩分级（TRG），将患者分为缓解者（TRG1/2）和无反应者（TRG3）。

研究采用了多步建模方法：

1. 图像预处理与标注： 对 MRI 图像进行 N4 偏置场校正，重采样至 1mm³ 等向体素，并由经验丰富的放射科医生使用 ITK-SNAP 对瘤内及瘤周区域进行手动分割。
2. 影像组学模型开发： 使用 PyRadiomics 提取了 1,561 个影像组学特征（形状、一阶统计量和纹理）。通过筛选确保特征具有良好的组间可靠性（ICC > 0.80）和低共线性（|r| ≥ 0.95），并利用 LASSO 回归进行选择。构建了两个模型：一个仅使用瘤内区域（Rad-Tumor），另一个结合瘤内与瘤周区域（Rad-Tumor+Peri）。
3. 深度学习（DL）模型开发： 在相同的分割区域上训练 ResNet50 卷积神经网络。应用数据增强（旋转、平移、缩放、翻转）使训练样本量扩大了八倍。与影像组学类似，构建了两个 DL 模型：DL-Tumor 和 DL-Tumor+Peri。
4. 临床变量筛选： 通过单变量和多变量回归对临床因素（人口统计学、MRI 分期、血清生物标志物）进行筛选。仅保留了脉管侵犯（EMVI）和肿瘤位置作为显著预测因子。
5. 列线图构建： 通过整合 Radscore（来自 Rad-Tumor+Peri）、DLscore（来自 DL-Tumor+Peri）以及选定的临床变量（EMVI、肿瘤位置）开发了一个综合列线图。

核心贡献

• 整合瘤周区域： 研究表明，与仅针对肿瘤的模型相比，纳入瘤周脂肪组织特征能显著提升影像组学和深度学习方法的预测性能。
• 混合建模策略： 本文引入了一种列线图，它通过协同高维深度学习特征、统计学影像组学特征和特定的临床风险因子，而非依赖单一模态。
• 对比分析： 提供了一项直接的性能比较，涵盖了传统影像组学、深度学习及其在单一临床框架内共同应用的表现。

结果

• 模型性能： 在验证数据集中，综合列线图实现了最高的预测准确度，曲线下面积（AUC）为 0.921 (95% CI, 0.824–0.974)。这显著优于独立的 DL-Tumor+Peri 模型（AUC 0.845）和 Rad-Tumor+Peri 模型（AUC 0.739）（所有 p 值 < 0.05）。
• 瘤周特征的影响： 在验证集中，纳入瘤周区域提高了影像组学模型（从 0.666 提升至 0.739）和深度学习模型（从 0.817 提升至 0.845）的 AUC。
• 临床实用性： 决策曲线分析（DCA）表明，在大多数阈值概率下，该列线图比其他模型提供了更高的净获益。校准曲线和 Hosmer–Lemeshow 检验确认了预测概率与实际结局之间具有良好的一致性。
• 特定临床因素： 多变量分析显示，在最初收集的 13 个因素中，EMVI 和肿瘤位置是仅有的显著临床预测因子。

意义与主张
作者声称，所开发的列线图是一种有效的、无创的工具，用于预测直肠癌患者的术后 nCRT 结局。通过整合深度学习特征、影像组学特征和临床变量，该模型比单一模态方法具有更高的诊断性能。研究认为，该工具可以协助临床医生制定个性化治疗策略，通过识别无反应者来尽早防止肿瘤进展，或避免患者因无效治疗而承受不必要的副作用。作者承认存在局限性，包括研究的回顾性、单中心性质以及计算方法的复杂性，并建议需要外部验证以确认其稳健性。