基于多模态影像组学的可解释性模型预测直肠癌肝转移：一项多中心研究

本研究针对直肠癌(RC)患者肝转移(LM)早期预测的临床难题，创新性地整合直肠MRI和全肝CT的影像组学特征，构建了可解释性多模态预测模型。通过多中心431例患者数据验证，该融合模型展现出优异预测效能(AUC 0.85)，SHAP方法揭示关键特征贡献，风险评分对无肝转移生存期(LMFS)具有显著预后价值，为个体化治疗决策提供了新工具。

　　

在消化道肿瘤领域，直肠癌(RC)肝转移(LM)是导致治疗失败的主要原因。尽管现有影像技术能检测大于1cm³的转移灶，但约90%患者在确诊时已错过最佳干预时机。传统预测指标如T分期、淋巴结转移等准确性有限，而"转移前微环境"(PMN)理论提示肝脏在影像可见转移前已发生分子水平改变。这一科学假设为早期预测提供了新思路，但既往研究多局限于原发灶或肝脏单模态分析，缺乏系统性探索。

复旦大学附属肿瘤医院与山西省肿瘤医院联合团队开展了一项开创性研究，通过整合直肠原发灶MRI(T2WI/DWI)和转移前肝脏CT的1046+1106个影像组学特征，构建了首个多器官、多模态预测体系。研究纳入431例RC患者的多中心数据，采用ANOVA F值和递归特征消除(RFE)筛选特征，SVM分类器构建模型，SHAP方法实现可视化解释。结果显示，融合模型在训练组和验证组的AUC分别达0.85和0.73-0.75，显著优于单模态模型。关键发现是肝脏CT的"wavelet-LLH_firstorder_Kurtosis"等特征可反映PMN改变，与原发灶特征形成互补预测。

技术方法上，研究采用标准化影像采集参数，使用PyRadiomics提取定量特征，通过SMOTE处理数据不平衡，建立7种对比模型(含单独T2WI/DWI/CT模型和融合模型)，采用LASSO回归筛选临床变量，最终通过Cox回归验证模型的预后价值。

主要研究结果

1. 模型构建与验证：融合模型在训练队列中AUC 0.85(95%CI 0.80-0.90)，外部验证队列AUC 0.73，显著优于临床模型(AUC 0.55-0.77)。决策曲线分析(DCA)显示其临床实用价值。

2. 特征解释：SHAP分析揭示"glcm_Imc2"(影像组学特征，反映纹理复杂性)对预测贡献最大，其数值降低与LM风险升高相关。瀑布图直观展示了个体化预测过程，如高风险患者特征值分布。

3. 预后分层：基于0.549风险截断值，高风险组3年LMFS显著低于低风险组(HR=5.50, p<0.001)，在多变量分析中保持独立预测价值。

结论与意义
该研究首次证实：① 转移前肝脏的CT影像组学特征可独立预测LM发生；② 多器官特征融合产生协同效应，突破单模态预测瓶颈；③ SHAP解释使"黑箱"模型具有临床可操作性。发表于《Insights into Imaging》的这项成果，为RC患者提供了从"被动监测"到"主动预测"的范式转变，其价值体现在：

1. 科学层面：验证了PMN理论在影像学的表现规律，发现肝脏微环境改变早于传统影像检出
2. 临床层面：指导高风险患者加强随访(如缩短CT复查间隔)，潜在改变辅助治疗策略
3. 方法学层面：建立可解释AI模型框架，可推广至其他癌种转移预测

研究局限性包括回顾性设计、未纳入动态增强MRI序列等。未来方向应聚焦前瞻性验证、多序列整合及分子机制探索，推动影像组学向临床实践转化。