双能CT联合直方图参数预测结直肠癌神经浸润的临床价值研究

为解决结直肠癌(CRC)神经浸润(PNI)术前无创评估难题，青海大学附属医院团队联合多中心开展研究，创新性结合双能CT(DECT)光谱参数与直方图分析，构建包含熵、CT40keV、偏度及CEA的预测模型。通过6种机器学习算法验证，随机森林(RF)模型在训练集(AUC=0.918)和验证集(AUC=0.885)表现最优，XGBoost在外部验证集(AUC=0.823)显著优于传统方法。该研究为CRC个体化治疗决策提供了重要影像学依据，成果发表于《International Journal of Colorectal Disease》。

　　

结直肠癌作为全球发病率第三的消化系统恶性肿瘤，其治疗面临严峻挑战。尽管手术技术和辅助放化疗不断进步，患者长期生存率仍不理想。其中，神经浸润(PNI)作为肿瘤细胞沿神经结构扩散的特殊转移途径，被证实是独立的预后不良因素——PNI阳性患者5年生存率较阴性患者降低49%，且更易发生多器官转移。然而，当前PNI诊断完全依赖术后病理，术前活检因肿瘤异质性存在高达24%的漏诊率，临床亟需可靠的术前无创评估手段。

青海大学附属医院联合兰州大学第二医院的研究团队，创新性地将双能CT(DECT)技术与直方图分析相结合，开展了结直肠癌PNI预测的多中心研究。通过回顾性分析173例患者的临床影像数据，研究团队发现DECT在静脉期获取的40keV单能级CT值(CT40_keV)能显著区分PNI状态，这与肿瘤血管生成导致的密度差异密切相关。更突破性的是，团队首次将直方图参数引入PNI评估体系，证实熵值反映的像素灰度随机性、偏度表征的分布不对称性，与PNI导致的肿瘤异质性存在显著关联。

关键技术方法包括：1)采用GE Discovery CT 750 HD能谱CT进行双期扫描，通过GSI-viewer软件提取光谱参数；2)使用FireVoxel软件进行全肿瘤直方图分析，计算10类纹理特征；3)基于多中心数据(训练集n=84，验证集n=36，外部验证集n=53)构建6种机器学习模型；4)通过SHAP分析解释特征贡献度。

研究结果部分：
基线信息与PNI预测因子筛选
通过单因素分析筛选出8个潜在预测因子，多因素回归最终确定熵(OR=4.32)、CT40_keV(OR=0.87)、偏度(OR=2.15)和CEA(OR=3.76)为独立预测指标。值得注意的是，PNI阳性组熵值显著增高(4.51 vs 3.84)，反映其更高的组织复杂性。

预测模型构建与验证
随机森林(RF)模型在训练集展现最优鉴别力(AUC=0.918)，其特异性达86.7%。在外部验证中，XGBoost模型表现出更强的泛化能力(AUC=0.823)，决策曲线分析显示当阈值概率为63-87%时，模型净获益显著高于经验性治疗策略。

影像组学特征解析
40keV单能级图像因接近碘K边缘(33.2keV)，对微血管显示最敏感。PNI阳性组CT40_keV值降低(166.67 vs 191.76HU)，可能与神经浸润导致的液化性坏死相关。偏度差异(-1.11 vs -1.40)则提示PNI阳性肿瘤具有更明显的灰度分布偏态特征。

该研究首次证实DECT联合直方图参数可有效预测结直肠癌PNI状态，其临床价值体现在三方面：1)突破现有活检技术局限，实现术前无创评估；2)RF模型较传统CT诊断效能提升37%；3)为制定新辅助化疗方案提供量化依据。研究存在的样本量限制和手动勾画ROI效率问题，提示未来需开展多中心前瞻性研究并开发自动分割算法。这项发表于《International Journal of Colorectal Disease》的成果，为结直肠癌精准诊疗开辟了新的影像学生物标志物研究路径。