光谱CT细胞外容积临床-影像组学模型预测结直肠癌血管淋巴管及神经侵犯.pdf

PELVICIMAGING551盆腔影像学光谱CT细胞外容积临床-影像组学模型预测结直肠癌血管淋巴管及神经侵犯郑文霞王莉莉陈杏彪郑小霞崔雅琼黄刚【摘要】目的：探讨基于光谱CT细胞外容积参数图影像组学特征联合临床特征来预测结直肠癌的血管淋巴管和神经侵犯，以期获得一种术前无创评估的方法。方法：回顾性收集155例经术后病理证实的结直肠癌患者。采用ITK-SNAP软件进行半自动分割勾画肿瘤三维感兴趣区（VOI）。采用FeAtureExplorer（FA E）软件提取特征，并进行特征筛选、组学模型构建。在临床指标中选择有统计学意义的指标建立临床模型，由临床指标及组学特征进行logistic回归分析建立联合模型。利用受试者工作特征曲线（ROC）及曲线下面积（A U C）来评价3种模型预测结直肠癌血管淋巴管及神经侵犯的价值。结果：血管侵犯组中临床模型训练集与测试集的AUC分别为0.6 13、0.52 1；组学模型训练集与测试集的AUC分别为0.7 97、0.8 52；联合模型训练集与测试集的AUC分别为0.8 0 9、0.8 6 2。淋巴管侵犯组中临床模型训练集与测试集的AUC分别为0.6 36、0.601；组学模型训练集与测试集的AUC分别为0.7 6 8、0.8 0 6；联合模型训练集与测试集的AUC分别为0.785、0.8 2 3。神经侵犯组中临床模型训练集与测试集的AUC分别为0.7 12、0.7 7 1；组学模型训练集与测试集的AUC分别为0.8 0 0、0.8 19；联合模型训练集与测试集的AUC分别为0.8 35、0.8 92。结论：基于影像细胞外容积的影像组学特征联合临床特征构建模型可有效预测结直肠癌的血管淋巴管及神经侵犯，具有术前无创诊断价值。【关键词】育能谱CT；结直肠癌；细胞外容积；影像组学；血管淋巴管及神经侵犯中图分类号：R445.3文献标志码：A文章编号：10 0 6-57 41(2 0 2 3)0 5-0 551-0 9Spectral CT Extracellular Volume Clinical-radiomics Models for Prediction ofVascular Lymphatic and Nerve Invasion in Colorectal CancerZHENG Wenxia,WANG Lili,CHEN Xingbiao,ZHENG Xiaoxia,CUI Yaqiong,HUANG Gang”Abstract】Pu r p o s e:T o i n v e s t i g a t e t h e p r e d i c t i o n o f v a s c u l a r l y mp h a t i c a n d n e r v e i n v a s i o n i n c o l o r e c t a l c a n c e rbased on spectral CT extracellular volume parameter map radiomics features combined with clinical features,withthe aim of obtaining a method for preoperative noninvasive assessment.Methods:A retrospective collection of 155patients with postoperative pathologically confirmed colorectal cancer was made.Semi-automatic segmentation wasperformed using ITK-SNAP software to outline the tumor 3D volume of interest(VOI).FeAture Explorer(FAE)software was used to extract features,and feature screening and radiomics model construction were performed.Thestatistically significant clinical indicators were selected among the clinical indicators to build the clinical models,andlogistic regression analysis was performed from the clinical indicators and radiomics features to build the combinedmodels.The receiver operating characteristic(ROC)curve and area under the curve(AUC)were used to evaluate thevalue of the three models in predicting vascular lymphatic and neural invasion in colorectal cancer.Results:In the中国医学计算机成像杂志，2 0 2 3，2 9：551-559作者单位：1甘肃中医药大学第一临床医学院2甘肃省人民医院放射科3飞利浦医疗临床科研部通信地址：甘肃省兰州市城关区定西东路35号，兰州7 30 0 0 0通信作者：黄刚（电子邮箱：）基金项目：甘肃省青年基金计划项目（2 0 JR5RA143）Chin Comput Med Imag,2023,29:551-5591 The First Clinical College of Medicine,Gansu University of ChineseMedicine2 Department of Radiology,Gansu Provincial Hospital,Gansu,China3 Philips Medical Clinical Research Department,Shanghai 200070,ChinaAddress:35 East Dingxi Road,Lanzhou 730000,ChinaCorrespondence to:HUANG Gang(E-mail:)Foundation item:GansuProvince Youth Fund Project（2 0 JR5RA 143)552ChinComputMedImag,2023,29(5)中国医学计算机成像杂志2 0 2 3年第2 9卷第5期vascular invasion group,the AUC of the training set and the test set of the clinical model were 0.613 and 0.521respectively.The AUC of the training set and the test set of the radiomics model were 0.797 and 0.852,respectively.The AUC of the combined model training set and the test set were 0.809 and 0.862,respectively.In the lymphaticvessel invasion group,the AUC of training set and test set of the clinical model were 0.636 and 0.601,respectively.The AUC of the training set and the test set of the radiomics model were 0.768 and 0.806,respectively.The AUC ofthe combined model training set and the test set were 0.785 and 0.823,respectively.In the neural group,the AUC ofthe training set and the test set of the clinical model were 0.712 and 0.771,respectively.The AUC of the training setand the test set of the radiomics model were 0.800 and 0.819,respectively.The AUC of the combined model trainingset and the test set were 0.835 and 0.892,respectively.Conclusion:The model based on extracellular volumeradiomics features combined with clinical features can be used to effectively predict the vascular lymphatic and nerveinvasion in colorectal cancer,which has preoperative non-invasive diagnostic value.Key words I Spectral CT;Colorectal cancer;Extracellular volume;Radiomic;Vascular lymphatic and nerveinvasion结直肠癌为常见的消化道肿瘤，发病率居高不下且逐渐年轻化。结直肠癌的发展过程中存在肿瘤微环境的变化，肿瘤微环境中包含的肿瘤脉管系统及成纤维细胞等各类肿瘤细胞，在肿瘤发展过程中肿瘤细胞及其细胞外基质相互作用【2 ，促进肿瘤血管的生成 3 及肿瘤基质的纤维化 4。细胞外容积（e x t r a c e l l u l a r v o l u me，ECV）为细胞微环境中细胞外基质的占据空间，代表细胞外基质的体积分数，在一定程度上能够反映肿瘤微环境的变化。研究显示，经影像检查测定的ECV分数与病理活检组织学定量的细胞外间质变化密切相关【5，表明细胞外间质的变化可通过影像学检查所测的ECV值定量表示。在影像学检查中，利用细胞外间质量达到平衡状态时测量病变的ECV来评估其状态【6 。基于CT图像碘密度值 7 可以计算得到ECV值=（1-Hct）（ID Ro/ID l o a），其中Hct为红细胞压积，IDror和IDBlooa分别为感兴趣区和同层面血池的碘密度。结直肠癌的血管淋巴管及神经浸润提示着不良预后【8 ，通常在病理组织活检或术后所得，活检有创且术后诊断存在滞后性。因此，探索非侵入性的方法早期评估血管淋巴管及神经浸润对指导结直肠癌患者的治疗和预后具有重要意义。作为非侵人的方法，传统影像学检查对肿瘤的这些异质性评估价值有限 9。影像组学通过整合影像特征对肿瘤整体进行分析，将图像信息转换为数据特征，在预测病变微观病理结构方面【10 ，以及肿瘤异质性的评估方面表现出独特的优势 1。既往研究中，基于MR/CT的多模态影像组学模型对直肠癌的淋巴血管浸润表现出了较高的预测能力【12 ，被认为是具有潜力的可视化工具，但结直肠癌的血管及淋巴管、神经侵犯的影像评估仍缺乏有效的量化指标。在一项关于结肠癌的研究中发现ECV可用于预测结肠癌的肝转移及淋巴结转移【13，表明ECV在结直肠癌的诊断方面存在潜能。Song等【14 发现血管、淋巴管内癌栓的形成与免疫异质性肿瘤微环境密切相关，因此ECV可间接反映肿瘤细胞微环境改变带来的结直肠癌组织神经、血管及淋巴管浸润状态。我们尝试利用ECV影像组学的方法以期在结直肠癌血管、淋巴管以及神经侵犯的诊断方面获得更多价值。本文旨在探讨基于光谱CT的ECV影像组学特征联合临床危险因素对结直肠癌神经及血管淋巴管浸润进行术前无创评估。方法1.临床及病理资料回顾性收集甘肃省人民医院2 0 2 0 年7 月至2 0 2 2年3月收治的155例结直肠癌患者资料。纳入标准：（1）首次诊断结直肠癌，经术后病理证实；（2）无化疗及手术病史；（3）常规术前行光谱CT增强检查，包含完整的图像信息。排除标准：（1）病理免疫组化资料不全；（2）腺瘤等其他良性肿瘤；（3）图像伪影重，不满足图像分割要求。血管、淋巴管及神经侵犯由病理免疫组化检查获得。本研究经甘肃省人民医院伦理委员会批准（编号：2 0 2 1-196)。2.CT检查方法纳人患者行 IQon spectral CTT（荷兰，Philips553ChinComputMedImag,2023,29(5)中国医学计算机成像杂志2 0 2 3年第2 9卷第5期Healthcare）增强扫描，采用双筒高压注射器，于肘正中静脉注人1.5mL/kg碘克沙醇（32 0 mgl/mL），速率3.5mL/s，随后以相同速率注人50 mL生理盐水。分别于注药2 5 30 s、6 0 7 0 s、2 m in 后进行动脉期、静脉期及延迟期扫描。主要参数：层厚5mm，管电压12 0 kV，自动毫安秒，螺距0.953，转速0.5s/r。采集后图像利用IntelliSpacePortal（ISP）Ve r s i o n10.1后处理工作站进行处理。3.图像分析及数据测量3.1ECV参数图的生成选择延迟期图像纳人研究，重建后光谱基数据（s p e c t r a l b a s e i ma g e s，SBI）导人后处理工作站，测量病变所在平面腹主动脉或血管的碘密度（iodinedenisty，ID），感兴趣区（region of interest，RO I）范围为血管最大直径，避开钙化区，于3个不同层面测量后取ID平均值，由血管ID和SBI数据利用公式ECV=（1-H c t）ID r o/ID Bl o d（其中Hct为红细胞压积，IDRor和IDBloa分别为感兴趣区和同层面血池的碘密度）计算后生成ECV图。3.2图像分割及特征提取首先将所有受试者的图像保存为DICOM格式，采用ITK-SNAP软件进行图像分割，由2 名具有5年及10 年工作经验的医师在40 keV图像进行病灶确认并用半自动方式勾画感兴趣容积（volumeof interest，VOI），然后匹配至ECV图，如图1所示。其次采用FeAtureExplorer（FA E，VO.3.6）软件进行特征提取及建模分析。提取的特征包括直方图特征、形状特征及灰度共生矩阵（gray level co-occurrencematrix，G LCM）特征。在3个月后随机选择30 例按同种方式重新勾画，计算组内相关系数（intraclasscorrelation coefficient，ICC）进行可重复性及一致性检验。3.3特征筛选及建模3.3.1影像组学特征选择及建模将特征以7：3比例随机分为训练集与测试集，其中选取10 9例作为训练数据集集（40/6 9=阳性/阴性），选择另外46 例作为测试数据集（17/2 9=阳性/阴性）。首先，采用合成少数类过采样技术（SMOTE）进行正/负样本的平衡。其次，对特征矩阵进行Z-score归一化处理。同时用皮尔逊相关系数（PCC）对特征空间进行降维。最后，特征筛选利用方差分析（A NO VA）、Re l i e f 算法和递归特征消除余(RFE)进行，特征数的范围为1到2 0。分类器选择见图1。模型验证采用5折交叉验证。3.3.2临床特征选择及建模临床候选变量选择年龄、性别、肿瘤位置、癌胚抗原（CEA）、糖类抗原（CA）19-9、CA 7 2-4、T 分期、分化程度。行单因素方差分析选择P0.05的特征为危险因子，将筛选的危险因子行logistic回归分析建立临床模型3.3.3耳联合特征选择及建模将筛选的影像组学特征及临床指标行logistic回归分析建立联合模型4.丝统计学分析采用SPSS25.0统计学软件对临床资料进行分析，符合正态分布的计量资料用x土s表示，年龄、肿瘤分期、分化程度的组间比较采用独立样本t检验。分类变量如性别、肿瘤位置、肿瘤标志物两组间的比较采用卡方检验。采用logistic回归方法对结直肠癌患者临床相关因素进行筛选。P0.05表示差异有统计学意义。计算准确度、约登指数、灵敏度，特异度、阳性预测值、阴性预测值，根据受试者工作特征(receiver operating characteristic，RO C）曲线下面积（a r e a u n d e r t h e c u r v e，A U C）评估模型效能，用DeLong检验进行模型间AUC比较。一致性检验采用ICC，ICC大于0.7 5表示一致性良好。结果1.患者临床病理资料分析共纳人155例患者，其中结肠癌38 例，直肠癌117例，男性98 例，女性57 例，年龄318 8 岁，平均（6 0.410.6）岁。肿瘤分期与是否存在血管侵犯、淋巴管侵犯、神经侵犯三者之间差异均有统计学意义（P0.05)。详见表1。2.牛特征选择2.1影像组学特征筛选及一致性评价由2 名医师勾画的VOI共提取出56 个特征。血管侵犯组显示利用ANOVA进行特征选择后，由AE作为分类器建立模型，最后发现基于_originalfirstorder_Mean，o r i g i n a l _s h a p e _Su r f a c e Vo l u me Ra t i o554ChinComputMedImag,2023,29(5)中国医学计算机成像杂志2 0 2 3年第2 9卷第5期表1人口统计学及临床病理资料CA19-9(CA72-4(分期(I/II/II/分化程度分组年龄/岁性别（男/女）位置（结/直）CEA(5)37/37)10/10)V)(高/中/低）血管侵犯有(n=57)60.010.836/2112/4532/2546/1150/71/4/44/81/53/3无(n=98)60.710.462/3626/7262/3685/1388/104/17/74/30/95/3X/t值-0.395a0.001b0.584b0.76761.00260.03962.812a-0.127aP值0.6940.9890.4450.3810.3170.8430.0060.899淋巴管侵犯有(n=61)60.910.839/2213/4835/2648/1343/182/3/48/80/58/3无(n=94)60.110.559/3525/6958/3684/1084/103/18/70/31/90/3X/t值0.458a0.022b0.55860.28863.335b8.900b2.623 a-0.804 aP值0.6470.8830.4550.5910.0680.0030.010.422神经侵犯有(n=87)59.811.254/3323/6446/4171/1676/111/3/73/100/83/4无(n=68)61.29.744/2415/5347/2161/761/74/18/45/11/65/2X/值-0.814a0.114b0.395b4.19661.98060.205b4.982a-0.916aP值0.4170.7350.5300.0410.1590.6500.0010.361b：X检验；a：t 检验；CEA/CA19-9/CA72-4单位：g/L。原始图像图像分割VOI特征提取特征筛选模型评价SMOTEZ-scorePCCANOVARelief一阶特征RFE形状特征SVMLDXGLCMRLRLasso图1影像组学流程图及最终模型评价GLCM：灰度共生矩阵（graylavelco-occurrencematrix）；ST O M E：合成少数类过采样技术（syntheticminorityoversampling technique）；PCC：皮尔逊相关系数（Pearson correlation coefficients，）；A NO VA：多变量方差分析（analysis ofvariance）；RFE：递归特征消除（recursive featureelimination）；SVM：支持向量机（supportvectormachine）；LD A：线性判别分析（lineardiscriminantanalysis）；A E：自动编码器（auto-encoder）；RF：随机森林（randomforest）；LR：逻辑回归（logistic regression）；LRLa s s o：La s s o 逻辑回归（logisticregression via Lasso)；A B：A d a-b o o s t 算法；DT：决策树（decision tree)。这2 个特征的模型Zscore-PCC-ANOVA-2-AE在训练集和验证数据集上的AUC最高，分别为0.7 97、0.852。淋巴管侵犯组使用RFE选择特征，用LDA作为分类器建立模型，发现基于original_firstorder_Mean，o r i g i n a l _s h a p e _Su r f a c e Vo l u m e Ra t i o 这2 个特征的模型Zscore-PCC-RFE-2-LDA在训练集和验证数据集上的AUC最高，分别为0.7 6 8、0.8 0 6。神经侵犯组使用ANOVA选择特征后，用LR作为分类器建立模型，最后基于特征original_firstorder_Mean的模型Zscore-PCC-ANOVA-1-LR在训练集和验证数据集上的AUC最高，分别为0.8 0 0、0.8 19。经2 名医师勾画的VOI特征组内及组间ICC值大于0.7 5，一致性良好。2.2临床特征筛选选择P0.05的特征作为临床预测因子。血管侵犯组显示肿瘤分期（P=0.006）为独立预测因子，淋巴管侵犯组显示肿瘤分期（P=0.01）及CA72-4（P=0.003）为预测因子，神经侵犯组显示肿瘤分期（P555ChinComputMedImag,2023,29(5)中国医学计算机成像杂志2 0 2 3年第2 9卷第5期0.001)及CEA(P=0.041)为预测因子。2.3联合特征将组学特征及有统计学意义的临床特征进行logistic回归分析获得联合特征。血管侵犯组联合特征由组学特征和肿瘤分期构成，淋巴管侵犯组联合特征由组学特征和肿瘤分期、CA72-4构成，神经侵犯组联合特征由组学特征和肿瘤分期、CEA构成。特征分布如图2 所示。*1.0水*1.0*1.00.50.50.50CD310D2400S100+十2A2B2C图2联合特征在血管、淋巴管、神经侵犯阳性和阴性患者中分布的小提琴图联合特征在血管、淋巴管、神经侵犯阳性和阴性之间有显著差异。CD31：血管侵犯；D240：淋巴管侵犯；S100：神经侵犯；+表示阳性，-表示阴性；*表示P0.0001。3.模型的效能3.1血管侵犯组模型通过比较临床模型、组学模型、联合模型的准确度、灵敏度、特异度、阳性预测值、阴性预测值，发现联合模型的整体效能最高，见表2。临床模型训练集与测试集的AUC分别为0.6 13、0.52 1，组学模型训练集与测试集的AUC分别为0.7 97、0.8 52，联合模型训练集与测试集的AUC分别为0.8 0 9、0.8 6 2，见图3。表2血管侵犯组3种模型效能的比较模型AUC(95%CI)界值灵敏度特异度阳性预测值阴性预测值准确度训练集n=109(40/69临床模型0.613(0.5150.705)0.1530.950.2030.4080.8750.477组学模型0.797(0.709 0.868)0.4780.550.9280.8150.7800.789联合模型0.809(0.7220.878)0.5280.600.9280.8280.8000.807测试集n=46(17/29)临床模型0.521(0.3690.671)0.0770.3530.7240.1110.6550.585组学模型0.852(0.716 0.939)0.6060.8820.7240.6520.9130.782联合模型0.862(0.728 0.946)0.6270.7650.8620.7640.8620.8261.01.00.80.80.60.60.40.4血管侵犯组-train血管侵犯组-test0.20.2临床模型：AUC=0.613临床模型：AUC=0.521组学模型：AUC-0.797组学模：AUC-0.852联合模型：AUC=0.809联合模型：AUC=0.86200.20.40.60.81.000.20.40.60.81.01-特异度1-特异度3A3B图3血管侵犯组的3种模型在训练集和测试集中ROC曲线及曲线下面积556ChinComputMedImag,2023,29(5)中国医学计算机成像杂志2 0 2 3年第2 9卷第5期3.2淋巴管侵犯组模型同样，在淋巴管侵犯组中联合模型的整体效能也最高，见表3。临床模型训练集与测试集的AUC分别为0.6 36、0.6 0 1，组学模型训练集与测试集的AUC分别为0.7 6 8、0.8 0 6，联合模型训练集与测试集的AUC分别为0.7 8 5、0.8 2 3，见图4。表3淋巴管侵犯组3种模型效能的比较模型AUC(95%CI)界值灵敏度特异度阳性预测值阴性预测值准确度训练集n=109(43/66)临床模型0.636(0.5390.726)0.4210.4880.7880.5990.7880.669组学模型0.768(0.678 0.844)0.2760.5120.9090.7850.7400.752联合模型0.785(0.696 0.858)0.4330.7210.7120.6190.7960.715测试集n=46(18/28)临床模型0.601(0.446 0.743)0.3020.9440.3570.4850.9080.586组学模型0.806(0.662 0.907)0.4880.6670.8210.7050.7930.761联合模型0.823(0.683 0.920)0.5990.7780.8210.7360.8510.8041.01.00.80.80.60.60.4一0.4淋巴管侵犯组-train淋巴管侵犯组-test0.20.2临床模型：AUC=0.636临床模型：AUC=0.601组学模型：AUC=0.768组季模：AUC=0.806联合模型：AUC=0.785联合模型：AUC=0.82300.20.40.60.81.000.20.40.60.81.01-特异度1-特异度4A4B图4淋巴管侵犯组的3种模型在训练集和测试集中ROC曲线及曲线下面积3.3神经侵犯组模型神经侵犯组中联合模型的整体效能也表现为最高，见表4。临床模型训练集与测试集的AUC分别为0.712、0.7 7 1，组学模型训练集与测试集的AUC分别为0.8 0 0、0.8 19，联合模型训练集与测试集的AUC分别为0.8 35、0.8 92，见图5。表4神经侵犯组3种模型效能的比较模型AUC(95%CI)界值灵敏度特异度阳性预测值阴性预测值准确度训练集n=109(61/48)临床模型0.712(0.617 0.794)0.3250.4920.8330.7890.5630.642组学模型0.800(0.713 0.871)0.5070.8200.6880.7690.7500.762联合模型0.835(0.752 0.900)0.5530.8030.7500.8030.7500.780测试集n=46(26/20)临床模型0.771(0.624 0.882)0.4690.7690.7000.7690.6700.739组学模型0.819(0.678 0.917)0.6420.6920.9500.9470.7030.804联合模型0.892(0.766 0.964)0.7690.769110.7690.869557ChinComputMedImag,2023,29(5)中国医学计算机成像杂志2 0 2 3年第2 9 卷第5期1.01.00.80.80.60.60.40.4神经侵犯组-train神经侵犯组-test0.20.2临床模型：AUC-0.712临床模型：AUC=0.771组学模型：AUC-0.800组孚模型：AUC-0.819联合模型：AUC-0.835联合模型：AUC=0.89200.20.40.60.81.000.20.40.60.81.01-特异度1-特异度5A5B图5神经侵犯组的3种模型在训练集和测试集中ROC曲线及曲线下面积讨论血管淋巴管侵犯在组织学上被定义为管腔内存在肿瘤细胞或肿瘤细胞破坏管壁，神经侵犯指肿瘤侵犯神经并沿神经鞘扩散，诱发神经重塑和神经环境的改变。3种病理改变是早期转移的关键步骤，也是影响预后的主要因素。在癌细胞与肿瘤微环境之间各种复杂的相互作用下，肿瘤相关的基质细胞刺激肿瘤血管生成、重塑细胞外基质，占据更大空间的细胞外间隙，最终引起ECV发生变化。此外，恶性肿瘤新生血管网丰富，但欠成熟，血管脆性大，血流量、血容量、血管通透性明显增加 15，导致ECV也发生变化。因此，ECV可作为新的影像学指标来评估肿瘤的微环境变化的病理改变。ECV在腹部的研究较多应用于评估肝脏纤维化 16 ，对肿瘤性疾病如胰腺癌的预后评估 17 、肾癌的病理分级等都有涉及【18 ，而在结直肠方面的研究尚少，但初步研究发现在预测结直肠癌肝转移及淋巴结转移方面可作为一项预测指标 13,也为本研究提供了思路支持。影像组学作为一种决策工具，通过捕获人眼难以识别的组织和病变特征，如形状和异质性等来表征肿瘤的内部生物学信息 19,辅助解决相关临床问题。在结直肠癌的研究中发现可预测肿瘤的预后情况 2 0 ，也可进行淋巴血管间隙侵犯的预测 2 1，不同的是既往此类研究多集中于常规参数图像，我们尝试利用光谱CT细胞外容积参数，对肿瘤引起的微环境改变进行定量评估。本研究构建影像组学模型的特征来源于细胞外容积参数图。最终发现ECV影像组学特征联合临床有意义特征建立的联合模型较纯临床及纯组学模型在血管侵犯、淋巴管侵犯及神经侵犯中表现出了更高的诊断效能。在既往研究中，由多参数建立的模型在预测脉管侵犯中训练集及验证集的AUC达0.8 8 4 0.91、0.8760.8812,2，我们使用ECV单一参数建立的模型效能略低，可能由于我们仅使用了单个参数，下一步研究中我们也将考虑联合多参数来探索能够进一步提高诊断效能的方法。尽管如此，通过我们的初步探索，发现ECV作为一个定量评估参数对结直肠癌的微环境变化仍可提供诊断参考价值。此外，考虑到血管及淋巴管的浸润尽管是早期转移的表现，依然代表肿瘤发展过程中的两种转移途径，因此本研究使用病理免疫组化的精准指标将两者分开讨论，以达到更精确的评价。本研究在特征提取中选择了直方图、形状特征、灰度共生矩阵特征，不同的特征维度可能反映肿瘤不同的生物学信息。选择相关特征作为预测因子构建组学模型是一个具有挑战性的过程 1，尤其在样本量较小、数据分布不均衡的情况下，易出现过拟合等现象。本研究采用SMOTE进行正/负样本的平衡，以消除训练数据集的不平衡性，并对特征矩阵进行了乙-score归一化处理来避免过拟合，通过PCC降维，使用5折交叉验证进行检测。在建模过程中使用不同的模型筛选方式及多种分类器方法，血管侵犯组表现为经ANOVA选择特征，基于AE分类器的模型效能最佳。淋巴管侵犯组表现为经RFE筛选，用LDA作为分类器建立的模型效能最佳。神经侵犯组表现为经ANOVA选择特征后，用LR建立的模型效能最佳。3558ChinComputMedImag,2023,29(5)中国医学计算机成像杂志2 0 2 3年第2 9卷第5期种不同病理状态最优模型的特征数目及类型、模型筛选方式、分类器各不相同，也有学者提出在建模过程中选择多种机器学习的方法，以确定最佳模型 2 3，但最佳模型的稳定性仍需通过外部验证加强在构建临床模型过程中，经单因素方差分析3组的肿瘤分期均表现出统计学意义，提示肿瘤的血管、淋巴管、神经侵犯与侵袭性行为相关，与Wang等 2 1之前的研究结果一致，需在临床诊疗中密切关注。此外，肿瘤标志物CA72-4在淋巴管侵犯组表现出统计学差异（P=0.003），提示与淋巴管侵犯有关，以往也有研究提出该指标升高更易发生淋巴管侵犯 2 4。肿瘤标志物CEA在神经侵犯组表现出统计学差异（P=0.041），提示可预测神经侵犯，与已发表的研究中血清CEA水平升高与PNI阳性相关【2 5 的结果一致。然而单一的临床血清学指标在预测肿瘤的风险方面可靠性不足。从AUC结果来看，单纯的临床模型表现出的效能也较低，血管侵犯组临床模型训练集与测试集的AUC分别为0.6 13、0.52 1，淋巴管侵犯组中临床模型训练集与测试集的AUC分别为0.6 36、0.6 0 1，神经侵犯组中临床模型训练集与测试集的AUC分别为0.712、0.7 7 1，可见单独评估肿瘤病理状态的能力有限。最终，通过临床指标与影像组学特征建立的联合模型在3组不同病理状态下均较单纯的组学模型及临床模型表现出更高的效能，然而血管侵犯组在训练集表现出的灵敏度（0.6 0）较低，推测与样本量少、分布不均衡有关。在本研究中尽管对数据集进行了内部交又验证，模型仍需要大规模外部验证来提高稳定性。本研究也存在一些不足。首先，本研究为单中心研究，尚需多中心外部验证。在对3种病理状态的模型评估中，训练数据集的AUC整体上略低于验证集，可能与样本量相对偏低，数据的分布不平衡有关，后期将增大样本量进行多中心评估及验证，以提高模型的鲁棒性。其次，研究中计算ECV时使用的是延迟期图像，扫描过程中延迟时间的把握尚未见统一标准，是否延迟更长时间可能更有意义有待探索。最后，无法保证所有受检者在当天内完成红细胞压积采集，本研究将红细胞压积范围设置为检查前3天内，且此期间未使用任何药物，以尽可能降低对结果的影响。综上所述，ECV影像组学特征可用来评估结直肠癌的神经、血管及淋巴管侵犯情况，结合临床病理因素建立的联合模型提高了决策支持中诊断和预后的可靠性，对患者的早期治疗及预后有积极的意义。该研究也初步表明在评估结直肠癌的肿瘤微环境变化带来的病理改变方面，ECV体现了良好的无创诊断价值。参考文献 1 Dharwadkar P,Zaki TA,Murphy CC.Colorectal cancer in youngeradults.Hematol Oncol Cin North Am,2022,36:449-470.2 Arneth B.Tumor microenvironment.Medicina(Kaunas,Lithuania),2019,56:15.3 Munir MT,Kay MK,Kang MH,et al.Tumor-associatedmacrophages as multifaceted regulators of breast tumor growth.Int JMol Sci,2021,22:6526.4 Thomas D,Radhakrishnan P.Tumor-stromal crosstalk in pancreaticcancer and tissue fibrosis.Mol Cancer,2019,18:14.5 Altabella L,Borrazzo C,Carni M,et al.A feasible and automaticfree tool for T1 and ECV mapping.Phys Med,2017,33:47-55.6 Sauter