基于CT影像组学的食管胃结合部腺癌术前浸润深度和淋巴结转移预测模型的构建与验证

本研究针对食管胃结合部腺癌(AEG)术前精准分期的临床需求，开发了一种融合CT影像组学特征与临床风险因素的预测模型。研究人员通过多中心回顾性研究，采用机器学习方法构建了可同时预测肿瘤浸润深度(T分期)和淋巴结转移(N分期)的融合模型，在测试集和验证集中AUC分别达到0.764和0.809，显著优于单一影像组学模型(P<0.001)。该研究为AEG个体化治疗决策提供了重要工具，推动了精准医疗在消化道肿瘤领域的应用。

　　

食管胃结合部腺癌(AEG)近年来发病率显著上升，其独特的解剖位置和生物学特性使得临床诊疗面临严峻挑战。传统影像学检查如CT、超声内镜(EUS)等在术前分期评估中存在明显局限，与术后病理分期差异可达20-40%，这直接影响着治疗方案的制定和患者预后。尤其对于决定治疗策略关键的肿瘤浸润深度(T分期)和淋巴结转移(N分期)，现有技术难以实现精准判断，临床亟需更可靠的术前评估工具。

浙江省肿瘤医院联合多家医疗中心的研究团队在《BMC Medical Imaging》发表了一项突破性研究，通过整合CT影像组学特征与临床危险因素，成功开发出可同时预测AEG肿瘤浸润和淋巴结转移的融合模型。这项多中心回顾性研究纳入了256例接受根治性手术的AEG患者，采用严格的五折交叉验证和外部验证策略，最终构建的模型在三个独立队列中均展现出优异的预测性能。

研究采用三大关键技术方法：1)基于ITK-SNAP软件的肿瘤区域三维分割，提取1288个定量影像特征；2)通过Spearman相关和互信息算法筛选特征，比较逻辑回归(LR)、支持向量机(SVM)和XGBoost三种机器学习算法；3)将最优影像组学特征与临床独立预测因子(肿瘤长度、神经侵犯等)通过logistic回归构建融合模型。

【研究结果】

1. 临床特征分析：
   多因素分析揭示肿瘤长度(OR=1.231)和神经侵犯(OR=3.238)是T分期的独立预测因子，而肿瘤长度(OR=1.446)和脉管癌栓(OR=11.291)对N分期预测最具价值。

2. 模型构建与比较：
   在T分期预测中，逻辑回归(LR)以AUC 0.706优于其他算法；N分期预测则选择SVM算法(AUC 0.732)。融合临床因素后，模型性能显著提升：T分期预测在测试集的AUC从0.706提升至0.764(P<0.001)，N分期预测AUC从0.732跃升至0.809(P<0.001)。

1. 模型验证：
   内部和外部验证显示稳定性能，T分期预测在外部验证集AUC达0.756，N分期达0.801。决策曲线分析证实融合模型在临床各风险阈值下均能提供显著净收益。

【结论与意义】
该研究首次建立了基于CT的AEG多参数预测体系，其创新性体现在：1)突破传统影像学主观判断局限，实现T/N分期的客观量化评估；2)通过20次重复交叉验证确保模型稳健性；3)多中心设计增强临床推广价值。研究不仅为AEG术前精准分期提供了实用工具，更揭示了肿瘤形态学特征(如最大径线)与生物学行为的内在关联。未来可进一步探索影像组学特征与分子标志物的关联，为AEG的异质性研究提供新视角。

值得注意的是，该模型存在样本量有限、ROI勾画主观性等局限，后续研究可通过人工智能自动分割技术和扩大样本量优化。作为首个针对AEG的影像组学预测系统，该成果为消化道肿瘤精准诊疗树立了新范式，其方法论也可拓展至其他癌种的术前评估领域。