编辑推荐：
为预测胃癌（GC）术前浆膜侵犯，研究人员开展回顾性双中心研究。他们整合影像组学特征、深度学习（DL）特征及临床特征构建模型。结果显示，CRC 模型表现最佳，该模型可助力预测胃癌浆膜侵犯，为临床提供实用工具。
本研究为回顾性研究，纳入双中心 335 例患者。通过 T 分期（T1 - 3 或 T4）评估胃癌浆膜侵犯情况。从胃癌原发灶静脉期 CT 中提取影像组学特征，并结合 8 种迁移学习模型的深度学习（DL）特征构建手工影像组学与深度学习影像组学（HCR - DLR）模型。利用临床特征构建临床（CL）模型，再将两者结合成临床与影像组学联合（CRC）模型。运用 5 种机器学习算法共开发 15 种预测模型，表现最佳的模型绘制成列线图。
经降维筛选，确定 14 种影像组学特征、13 种 DL 特征和 2 种临床特征有价值。在构建的模型中，CRC 模型表现更优（训练队列 AUC 为 0.9212；内部测试队列 AUC 为 0.8743；外部测试队列 AUC 为 0.8853） ，优于 HCR - DLR 模型（训练队列 AUC 为 0.8607；内部测试队列 AUC 为 0.8543；外部测试队列 AUC 为 0.8824）和 CL 模型（训练队列 AUC 为 0.7632；内部测试队列 AUC 为 0.7219；外部测试队列 AUC 为 0.7294）。基于逻辑 CL 模型绘制的列线图使用方便，预测性能出色。
综上，整合临床特征、影像组学特征和 DL 特征的 CRC 模型预测能力强，可作为预测胃癌浆膜侵犯状态的简单、无创且实用的工具。
