基于机器学习的影像组学预测T1/2期食管鳞癌淋巴结转移及其分子机制探索

本研究针对T1/2期食管鳞癌(ESCC)淋巴结转移(LNM)诊断难题，通过多中心回顾性分析374例患者数据，结合6种机器学习算法构建影像组学模型，发现决策树(DT)模型联合肿瘤及瘤周特征预测效能最佳(AUC达0.933)。研究首次揭示EFNA1基因通过调控肌动蛋白骨架促进肿瘤迁移的分子机制，为早期ESCC精准诊疗提供新策略。

　　

食管癌作为全球高发恶性肿瘤，在东西方人群呈现显著差异：西方以远端食管腺癌(EAC)为主，而东亚地区70%为食管鳞癌(ESCC)。尤其令人担忧的是，由于食管丰富的黏膜下淋巴网络和缺乏浆膜层，ESCC更易发生淋巴结转移(LNM)。临床数据显示，无LNM患者5年生存率可达60-80%，而一旦发生转移则骤降至20%。当前LNM诊断主要依赖CT影像的淋巴结形态学特征，但存在明显局限性——例如气管旁淋巴结体积大但转移率低，而胃左动脉旁淋巴结虽小却易转移，导致总体诊断准确率不足70%。这种诊断困境直接影响治疗决策：T1期无转移患者可能仅需内镜黏膜切除术，而存在LNM者则需联合放化疗的根治性食管切除术。

为突破这一临床瓶颈，安徽医科大学第一附属医院与中科大附属第一医院联合团队在《npj Precision Oncology》发表创新研究。团队通过多中心回顾性纳入374例T1/2期ESCC手术患者，采用3D Slicer软件勾画肿瘤靶区(GTV)及瘤周5cm临床靶区(CTV)，基于国际影像组学标准(IBSI)提取1893个高通量特征。通过6种机器学习算法筛选发现，决策树(DT)模型联合肿瘤与瘤周特征表现最优，在训练集、验证集和测试集的AUC分别达0.933、0.887和0.845。研究进一步构建包含影像组学评分(Radscore)、预后营养指数(PNI)和影像诊断结果(LNMr)的列线图模型，使LNM预测准确率提升至87.9%，NRI和IDI分析显示Radscore带来38.3%和20.8%的增量价值。

关键技术包括：1)多中心CT影像组学特征提取(IBSI标准)；2)6种机器学习算法(LASSO、RF、DT等)模型构建；3)TCGA/GEO数据库联合单细胞测序解析分子机制；4)siRNA基因沉默联合Transwell等功能实验验证。

临床数据
纳入374例患者(中心1:251例，中心2:123例)，基线特征均衡。瘤周区域特征与肿瘤特征呈现显著互补性，提示瘤周可能蕴含淋巴管浸润等关键生物学信息。

影像组学模型
DT模型显著优于传统方法，其中特征SALGLE(反映低灰度小区域分布)与LNM相关性最强。瘤周特征贡献度达42%，证实其包含独立预测信息。

增量价值
列线图模型显著优于单一指标(P<0.05)，1000次交叉验证显示AUC波动仅0.946-0.981，证实稳定性。校准曲线与决策曲线分析显示优秀临床适用性。

分子机制
Radscore分层鉴定1274个差异基因，功能富集于淋巴细胞迁移、细胞粘附调控等通路。关键基因EFNA1与SALGLE特征显著相关(r=0.866)，TCGA/GEO验证其预测LNM的AUC达0.72。单细胞测序显示EFNA1主要表达于ESCC基底细胞。

功能验证
siRNA沉默EFNA1后，KYSE150细胞迁移能力降低47%(划痕实验)，侵袭能力下降53%(Transwell)，肌动蛋白占比减少35%。CCK8实验证实其增殖活性同步减弱。

该研究首次建立影像组学与ESCC转移分子机制的桥梁：1)临床层面，DT模型突破现有诊断瓶颈，实现LNM无创精准预测；2)科学层面，揭示EFNA1通过调控肌动蛋白重构促进转移的新机制；3)转化层面，为基底细胞靶向干预提供新思路。局限性包括TCGA样本量较小、仅分析动脉期图像等，未来需多序列前瞻性研究验证。

研究开创性地证明影像组学可反映肿瘤基因表达谱，实现"虚拟活检"。这种非侵入性方法对早期ESCC诊疗具有重大意义：高风险患者可及时接受强化治疗，而低风险者避免过度医疗，真正实现精准医学的个体化决策。