编辑推荐：
研究人员开展基于 PET/CT 预测直肠癌神经侵犯（PNI）研究，多特征联合模型预测效果良好。
研究旨在探究基于正电子发射断层显像 / 计算机断层扫描（PET/CT）的影像组学特征和深度学习特征在预测直肠癌神经侵犯（PNI）方面的价值。研究人员回顾性收集了 120 例术前行
18F-FDG PET/CT 检查的直肠癌患者（56 例 PNI 阳性，64 例 PNI 阴性），并按 7:3 的比例随机分为训练集和验证集。另外，还从其他两家医院收集了 31 例直肠癌患者作为独立外部验证集。利用卡方检验和二元逻辑回归分析 PET 代谢参数，从 PET/CT 图像中提取影像组学特征和深度学习特征，采用曼 - 惠特尼 U 检验和最小绝对收缩和选择算子（LASSO）筛选有价值的特征，构建代谢参数、影像组学、深度学习以及联合模型，并通过受试者工作特征曲线（ROC）评估模型性能。
结果显示，代谢肿瘤体积（MTV）与 PNI 相关（P = 0.001）。在训练集和验证集中，代谢参数模型的曲线下面积（AUC）值分别为 0.673（95% 置信区间：0.572 - 0.773）、0.748（95% 置信区间：0.599 - 0.896）。研究筛选出 16 个影像组学特征和 17 个深度学习特征作为预测 PNI 的有价值因素。训练集中影像组学模型和深度学习模型的 AUC 值分别为 0.768（95% 置信区间：0.667 - 0.868）和 0.860（95% 置信区间：0.780 - 0.940），验证集中则为 0.803（95% 置信区间：0.656 - 0.950）和 0.854（95% 置信区间：0.721 - 0.987）。最终，联合模型在训练集和验证集中的 AUC 值分别达到 0.893（95% 置信区间：0.825 - 0.961）和 0.883（95% 置信区间：0.775 - 0.990）。在外部验证集中，联合模型的 AUC 值为 0.829（95% 置信区间：0.674 - 0.984），优于各个单一模型。这些模型的决策曲线分析表明，使用联合模型指导治疗能带来显著的净效益。
研究结论表明，整合 PET 代谢参数、影像组学特征和深度学习特征构建的联合模型，能够准确预测直肠癌的 PNI。
