基于CT影像组学与临床病理特征的可解释机器学习模型预测II期结直肠癌复发风险

本研究针对II期结直肠癌(CRC)辅助化疗疗效争议的临床难题，开发了整合CT影像组学(Radscore)与临床影像特征的ANN（人工神经网络）预测模型。通过769例多中心数据验证，该模型在测试组和验证组的AUC（曲线下面积）分别达0.811和0.846，成功识别高风险患者（p<0.001），SHAP（沙普利加性解释）算法揭示肿瘤异质性、肠壁粗糙度等关键风险因素，为个体化治疗决策提供新工具。

　　

在消化道肿瘤领域，II期结直肠癌的治疗决策始终存在"过度治疗"与"治疗不足"的双重困境。尽管手术切除是主要治疗手段，约20-25%患者术后仍出现复发，但现有临床指南推荐的高危特征（如T4分期、淋巴血管侵犯LVI等）预测精度有限，导致13%低风险患者意外复发。这种"盲人摸象"式的风险评估，使得医生在是否采用辅助化疗(ACT)时面临巨大挑战——过度治疗可能带来不必要的毒副作用，而治疗不足则可能导致生命损失。

南方医科大学南方医院医学影像科的研究团队另辟蹊径，将人工智能的"火眼金睛"与临床经验相结合。他们开发的可解释预测模型，如同为医生配备了一台"肿瘤行为解码器"。这项发表在《Insights into Imaging》的研究，通过三中心769例患者数据，首次实现CT影像组学特征与临床指标的有机融合。

研究团队采用多阶段建模策略：首先通过PyRadiomics平台提取944个肿瘤特征，经弹性网络算法筛选出14个关键影像组学标志（如低灰度区强调特征反映的肿瘤异质性）；同时结合logistic回归确定年龄、肠壁粗糙度等5个独立临床预测因子。最终构建的ANN模型展现出卓越性能，其预测准确度显著优于传统临床模型（AUC提升0.2以上）。更引人注目的是，通过SHAP算法的可视化解析，医生能直观看到每个病例的决策依据——例如模型发现，肠壁外缘粗糙的患者复发风险增加60%，这可能是肿瘤侵袭性的影像学表征。

关键技术包括：1）多中心CT图像标准化处理（25 HU灰度离散化）；2）DeepCRC软件自动肿瘤分割与人工校正结合的VOI（感兴趣体积）标注；3）5种机器学习算法比较（ANN/XGBoost等）；4）SHAP可解释性分析。

主要发现包括：

影像组学模型构建

筛选出14个特征构建的Radscore中，低灰度区强调（反映坏死程度）和扁平度（提示球形生长）最具预测力，ANN模型在验证组AUC达0.720。

临床模型验证

肠壁粗糙边缘（OR=1.60）、ctEMVI（CT检出的壁外血管侵犯，OR=1.88）等5个因素被确认为独立预测因子，但单纯临床模型表现有限（AUC=0.572）。

联合模型优势

联合模型在验证组实现0.846的AUC，DCA（决策曲线分析）显示其临床净获益阈值覆盖90%人群。

预后分层价值

高风险组3年复发率是低风险组的8.6倍（HR=8.630, p<0.001），为辅助化疗人群筛选提供客观依据。

这项研究的突破性在于：首次通过可解释AI打破了传统预后模型的"黑箱"局限。正如通讯作者Ge Wen教授指出，该模型如同"风险显微镜"，既能全局显示年龄、肿瘤异质性等宏观风险贡献，又能局部解析单个病例的决策路径。临床转化方面，模型对肠壁粗糙特征的重视提示影像科医生需特别关注此征象，而高Radscore患者可能需要更密集随访。未来若在前瞻性研究中验证其指导化疗的价值，将有望改写II期CRC治疗指南。

研究也存在一定局限：回顾性设计可能引入选择偏倚，且未评估平扫/动脉期图像的附加价值。但瑕不掩瑜，这种"影像组学+可解释AI"的研究范式，为实体瘤预后预测开辟了新航道。