基于CT影像组学的溃疡性结肠炎药物难治性患者手术需求预测研究

针对溃疡性结肠炎（UC）手术指征难以早期判定的临床难题，日本庆应义塾大学团队通过回顾性队列研究，结合CT影像组学特征（Radiomics）与临床数据构建预测模型。研究纳入157例住院患者，利用直肠壁影像组学特征（如Median、Dependence Nonuniformity Normalized等5项关键指标）联合临床因素（疾病严重程度、用药史等），建立列线图（Nomogram）模型，训练组与验证组的AUC分别达0.896和0.868，显著提升手术决策的早期预判能力，为个体化治疗提供新思路。

　　

溃疡性结肠炎（Ulcerative Colitis, UC）是一种慢性复发性肠道炎症性疾病，全球发病率持续攀升。尽管生物制剂等新型药物不断涌现，仍有8%-24%的患者最终需接受结肠切除术。临床实践中，何时从药物治疗转向手术干预始终是棘手难题——过早手术可能剥夺患者药物缓解机会，延迟决策则可能增加穿孔、大出血等风险。传统评估依赖医生经验结合实验室指标，缺乏客观量化工具。

为解决这一瓶颈，庆应义塾大学医学院的K.Sakamoto团队在《Techniques in Coloproctology》发表了一项创新研究。他们首次将CT影像组学（Radiomics）技术应用于UC患者入院初期的手术需求预测。这项回顾性研究纳入2015-2022年147例住院患者的184次CT扫描数据，最终157次扫描符合标准。研究团队以尾骨尖水平直肠壁为感兴趣区域（ROI），通过PyRadiomics提取93个特征，采用LASSO回归筛选出5个关键特征（Median、Dependence Nonuniformity Normalized等）构建影像组学评分（Radiomics Score）。结合临床多因素分析（疾病严重程度、Lichtiger评分等），最终建立联合预测列线图模型。

关键技术方法包括：1）单中心回顾性队列设计，纳入Keio大学医院住院患者；2）3D Slicer手动分割直肠壁ROI；3）PyRadiomics提取纹理特征；4）LASSO回归特征筛选；5）列线图整合临床与影像组学参数。

研究结果揭示：

1. 临床特征分析：手术组患者具有更严重的疾病活动度（p<0.001）、更高Lichtiger评分（p=0.032）及更多既往用药种类（p<0.001），血红蛋白水平显著更低（p=0.005）。
2. 影像组学模型：5个关键特征构成的评分公式在训练组AUC达0.759，验证组0.652，显示直肠壁微观纹理特征与手术需求存在关联。
3. 联合预测效能：列线图模型表现最优，训练组AUC 0.896（95%CI 0.841-0.951），验证组0.868（95%CI 0.729-1.000），敏感性高达94.7%，能准确识别无需手术的患者群体。

讨论部分指出，该研究首次证实非增强CT影像组学可预测UC治疗转归。相较于传统CT读片依赖主观经验，Radiomics通过量化直肠壁的灰度不均匀性（Gray Level Nonuniformity Normalized）、粗糙度（Coarseness）等特征，客观反映肠道炎症的微观异质性。联合临床指标后，模型对手术需求的预测精度超越单一参数（DeLong检验p<0.05），尤其擅长排除非手术病例（敏感性>88%），有助于避免过度医疗。

这项研究的临床意义在于：1）为急诊场景下快速决策提供工具，非增强CT检查便捷且无造影剂风险；2）弥补内镜检查禁忌患者的评估空白；3）推动UC治疗向精准医学迈进。局限性包括ROI手动分割的潜在偏差，未来需开发自动化算法。研究者建议前瞻性验证该模型在不同医疗中心的普适性，并探索影像组学特征与病理机制的关联。

该成果为炎症性肠病的数字化诊疗开辟新路径，证实了"影像即数据"（Radiomics）理念在慢性病管理中的价值。随着人工智能技术的发展，此类客观量化模型有望成为UC个体化治疗的重要决策辅助工具。