基于延迟期CT影像组学联合临床特征的腹膜假黏液瘤病理分级可解释性预测模型研究

本研究针对腹膜假黏液瘤(PMP)病理分级这一临床难题，开发了整合延迟期增强CT影像组学特征与血清肿瘤标志物(CA19-9/CEA/CA125)的机器学习模型。通过158例手术确诊病例(85例低级别/73例高级别)的多中心回顾性分析，采用SHAP可解释性算法构建的联合模型在测试集达到AUC 0.88，显著优于单一模态模型(P<0.05)，为术前精准分级和个体化治疗决策提供了新工具。

　　

在腹膜恶性肿瘤领域，腹膜假黏液瘤(Pseudomyxoma peritonei, PMP)因其独特的生物学行为和复杂的临床管理策略备受关注。这种年发病率仅百万分之1-3的罕见疾病，源自阑尾黏液性肿瘤破裂后形成的腹膜播散性病变，其病理分级直接决定患者命运——低级别(G1-G2)患者5年生存率可达63%，而高级别(G3)骤降至23%。然而，传统依赖术后病理的诊断模式使临床陷入两难：CRS/HIPEC(肿瘤细胞减灭术联合腹腔热灌注化疗)对低级别效果显著，但高级别患者可能更需要系统化疗。这种治疗策略的分野，使得术前无创分级成为改善预后的关键突破口。

中国航天中心医院的研究团队在《BMC Medical Imaging》发表的研究，创新性地将延迟期增强CT的影像组学特征与血清肿瘤标志物相结合。研究团队收集了2015-2024年间158例经病理确诊的PMP病例(低级别85例/高级别73例)，通过标准化延迟期CT扫描(180秒增强相)获取肿瘤纹理特征，联合CA19-9等6种血清标志物及CT-PCI(腹膜癌指数)评分，采用五折交叉验证构建预测模型。关键技术包括：1)基于PyRadiomics库提取2153个影像组学特征；2)通过互信息法和递归特征消除筛选出7个关键特征；3)利用SHAP算法解析模型决策机制。

模型构建
临床模型仅用CA19-9/CEA/CA125即达到测试集AUC 0.78；而影像组学模型通过wavelet-LHH_glcm_InverseVariance等纹理特征实现AUC 0.80。最具突破性的是联合模型，将临床与影像组学特征整合后，测试集AUC提升至0.88，敏感度75%、特异度79%。

特征解析
SHAP分析揭示前五大预测因子：1)小波变换逆方差特征(反映肿瘤异质性)；2)肿瘤伸长形态特征；3)区域大小非均匀性；4)小波中位数特征；5)CA19-9水平。其中CA19-9每升高100U/mL，高级别风险增加5.9%。

技术优势
延迟期CT相比常规增强扫描展现出三大优势：1)更好区分纤维血管间质与黏液成分；2)强化程度与肿瘤细胞密度相关；3)标准化协议保证特征稳定性。而模型采用的Z-score标准化和IBSI指南遵循，确保了结果可重复性。

这项研究建立了目前最大规模的PMP影像组学分析队列，其创新性体现在三方面：首先，首次证实延迟期CT纹理特征与病理分级的生物学相关性；其次，通过SHAP实现了"黑箱模型"的临床可解释性；最后，提出的非侵入性分级方案可直接指导治疗决策。尽管存在回顾性设计的局限，但该模型已展现出改变临床实践的潜力——未来整合多中心前瞻性数据和液体活检标记物，有望进一步优化PMP的精准诊疗体系。正如讨论部分强调的，这项研究不仅提供了实用的决策工具，更开创了腹膜恶性肿瘤影像组学研究的新范式。