基于临床和CT影像组学特征的机器学习模型预测左侧结直肠癌No.253淋巴结转移的研发与验证

为解决左侧结直肠癌(CRC)手术中肠系膜下动脉(IMA)结扎水平争议的关键问题，北京大学第一医院团队通过整合临床特征和CT影像组学数据，开发了预测No.253淋巴结(No.253 LN)转移的机器学习模型。研究构建了临床模型、CT模型、影像组学模型及联合模型，在时间验证集中联合模型AUC达0.8，敏感性特异性均为80%，为个体化手术决策提供了新工具。该成果发表于《Cancer Imaging》，为优化IMA结扎策略提供了重要依据。

　　

在结直肠癌(CRC)这个全球发病率第三、死亡率第二的恶性肿瘤中，左侧CRC的手术策略一直存在关键争议——肠系膜下动脉(IMA)究竟该高位结扎还是低位结扎？这个看似技术细节的问题，实则牵动着数万患者的术后生存质量和肿瘤复发风险。问题的核心在于No.253淋巴结(No.253 LN)，这些位于IMA根部至左结肠动脉(LCA)分叉处的淋巴结，作为肿瘤转移的"第三站"，其5%左右的转移率虽不高，却直接决定手术范围。高位结扎虽能彻底清扫淋巴结，但可能损伤上腹下神经丛导致排尿功能障碍；低位结扎保留生理功能的同时，又可能遗漏转移灶。现有CT和MRI对淋巴结转移的识别准确率不足60%，临床亟需更精准的预测工具。

北京大学第一医院胃肠外科团队联合放射科，创新性地将人工智能技术与临床实践相结合，开展了这项迄今最大规模的No.253 LN转移预测研究。研究团队回顾性分析了2118例左侧CRC患者的临床数据和310例增强CT影像，通过倾向评分匹配构建训练集、测试集和时间验证集。采用逻辑回归分别开发了包含6项临床特征（肿瘤部位、内镜梗阻等）的临床模型、基于最大淋巴结CT值及径线的CT模型，以及融合灰度强度特征和形态特征的影像组学模型，最终通过逻辑规则整合为联合模型。

临床模型构建
通过单因素和多因素逻辑回归筛选出6个独立预测因子：乙状结肠肿瘤使转移风险增加2.2倍，内镜梗阻风险提升3.4倍，CEA升高患者风险达5.1倍，溃疡型生长方式、低分化腺癌和印戒细胞癌分别使风险显著增高。该模型在1995例训练集支持下，时间验证集AUC达0.743。

CT模型特征
放射科医师标注的最大淋巴结平均CT值(HU)、短径(SAD)和长径(LAD)构成预测基础。其中SAD最佳阈值为10.2mm，单独预测AUC仅0.629，显示传统影像评估的局限性。

影像组学突破
从102个影像特征中筛选出4个关键指标：最大灰度强度反映肿瘤异常强化，大区域高灰度强调(LAHGLE)和小区域高灰度强调(SAHGLE)表征肿瘤异质性，表面积体积比提示转移淋巴结形态不规则。该模型AUC提升至0.716，揭示了肉眼不可见的影像特征价值。

联合模型优势
当临床、CT和影像组学模型均在90%敏感度阈值下呈阳性时，联合模型特异性同步提升至80%。决策曲线分析显示其临床净收益显著优于单一模型，IDI和NRI指标证实预测效能提升15%-20%。

这项研究首次证实了影像组学在No.253 LN转移预测中的独特价值。临床实践中，联合模型可帮助外科医师精准识别需高位结扎的20%高危患者，使80%患者避免不必要的扩大手术。研究创新性地解决了三个关键问题：通过明确定义No.253 LN解剖边界实现精准标注；利用逻辑规则整合多源异构数据；采用时间验证集证实模型时效性。局限性在于单中心回顾性设计，未来需通过多中心前瞻性研究进一步验证。随着深度学习技术的引入和样本量扩大，这种"临床+影像"的预测范式有望改写CRC手术指南，实现从经验医学到精准医学的跨越。