《European Journal of Surgical Oncology》：CT-Based Radiomics Deep Learning Signatures for Noninvasive Prediction of Early Recurrence After Radical Surgery in Locally Advanced Colorectal Cancer: A Multicenter Study
编辑推荐：
结直肠癌术后早期复发预测模型研究：基于CT影像组学与深度学习的多模态分析，通过整合8种机器学习提取的影像组学特征（RDs）和临床实验室指标（如淋巴细胞/单核细胞比值、预后营养指数等），构建的联合模型在两个外部验证集中表现优于病理分期和TNM分期模型（AUC 0.865 vs 0.766；0.848 vs 0.754），并验证了影像组学特征与肿瘤微环境中EMT和炎症反应通路的高度相关性。
周永杰|赵金宏|谭永明|邹飞|方磊|魏鹏飞|曾伟|龚良庚|刘兰|钟林华
江西省肿瘤医院暨江西省临床癌症研究中心放射科，南昌医学院第二附属医院，中国南昌
摘要
目的
术前识别高风险局部晚期结直肠癌（LACRC）患者对于优化治疗方案和减少毒性至关重要。本研究旨在开发并验证一种基于CT图像和临床实验室参数的联合模型，以非侵入性预测LACRC患者的术后早期复发（ER）。
方法
分析了2018年7月至2022年3月期间从三个中心收集的560例病理确诊的LACRC患者的回顾性队列数据，并结合了基因表达组学（GEO）数据集。我们使用八种机器学习技术提取了放射组学特征和深度学习标志（RDs），并将其与临床实验室参数整合起来构建了一个术前联合模型，并在两个外部数据集中进行了验证。其预测性能与术后病理和TNM分期模型进行了比较。Kaplan-Meier分析用于评估术前风险分层，同时利用GEO RNA测序数据探讨了与ER的分子相关性。
结果
该模型包括五个独立的预后因素：RDs、淋巴细胞与单核细胞比例、中性粒细胞与淋巴细胞比例、淋巴细胞-白蛋白比值以及预后营养指数。该模型在两个外部数据集中的表现优于病理和TNM模型（测试集1的AUC分别为0.865 vs 0.766、0.665；测试集2的AUC分别为0.848 vs 0.754、0.694）。术前风险分层显著区分了低风险患者和高风险患者在各亚组中的无病生存期（p < 0.01）。高富集评分与肿瘤增殖途径（上皮-间充质转化[EMT]和炎症反应途径）以及肿瘤微环境中免疫细胞浸润模式的改变相关。
结论
该术前模型通过非侵入性预测LACRC患者的ER，有助于优化治疗策略并减少不必要的药物毒性。
引言
结直肠癌（CRC）是全球癌症相关死亡的第三大原因[1]。大多数患者被诊断为局部晚期结直肠癌（LACRC）。尽管在根治性手术、靶向治疗和辅助化疗方面取得了显著进展，但肿瘤复发仍然是实现长期生存的最大障碍[2; 3]。值得注意的是，超过60%的复发发生在手术后两年内，这种现象被称为早期复发（ER）[4]。研究表明，术前化疗或新辅助治疗可以降低可切除LACRC患者的术后局部复发率，从而改善临床结局[5, 6, 7, 8]。因此，准确识别可能从术前治疗中受益的高风险患者对于优化治疗方案和减少不必要的药物毒性至关重要。
先前的研究表明，几种术前炎症和营养标志物，包括淋巴细胞与单核细胞比例（LMR）、中性粒细胞与淋巴细胞比例（NLR）、血小板与淋巴细胞比例（PLR）和预后营养指数（PNI），与CRC的预后密切相关[9, 10, 11, 12]。计算机断层扫描（CT）常用于CRC的诊断、分期和随访[13; 14]。CT图像解读具有主观性，且高度依赖于操作者的经验，导致诊断准确性有限[15]。随着定量图像分析技术的进步，以往的研究应用了传统的放射组学方法来预测CRC患者的ER[16; 17]和预后[18]。然而，放射组学的临床应用受到特征预选和性能不佳的限制。
深度学习（DL）作为一种新兴的机器学习方法，在解决这些挑战方面展现出巨大潜力[19]。其核心优势在于直接处理原始数据，并通过深度神经网络自主学习特征表示以进行模式识别。DL模型已被证明在预测CRC患者的DNA错配修复状态[20]、腹膜转移[21]和治疗反应[22]方面有效。然而，依赖2D或2.5D图像建模往往会导致关键肿瘤空间信息的丢失[21; 22]。相比之下，3D成像提供了更丰富的解剖数据，可以提高模型的性能和泛化能力。据我们所知，目前尚无研究开发出用于LACRC患者ER预测的DL模型，也没有共识支持DL优于放射组学。因此，将DL与放射组学特征结合可能有助于改善LACRC的ER预测。
这项多中心研究将术前CT放射组学DL特征与临床实验室参数相结合，用于预测根治性切除后的LACRC患者的ER。这种方法旨在在治疗开始前指导治疗决策，实现更加个性化的干预。
研究人群
这项回顾性研究获得了所有参与中心的机构审查委员会的批准，无需患者签署知情同意书。我们回顾性地纳入了2018年7月至2022年3月期间从三个医疗中心诊断为LACRC并接受根治性切除的560名患者的数据，以及基因表达组学（GEO）数据库（GSE33113）的数据。纳入标准为：（1）根据AJCC第8版标准病理确诊为II期或III期CRC；（2）R0切除并进行了标准淋巴结清扫；
临床病理特征
共纳入560名LACRC患者，中位年龄为59岁（IQR 50–68岁）；其中304名为男性，256名为女性。其中307名（54.8%）患者为II期病变，253名（45.2%）患者为III期病变。来自三个医疗中心的患者中，378名（78.6%）接受了术后辅助化疗（GEO数据集中未提供相关数据）。整个群体的中位随访时间为35个月（IQR：24–45个月）。在随访期间，有105例
讨论
在这项研究中，我们开发了一个结合基于CT的放射组学DL特征和临床实验室参数的术前联合模型，用于预测根治性切除前的LACRC患者的ER。这些数据在临床实践中易于获取。该模型在两个外部测试集中的校准一致性良好，其预测准确性优于术后病理模型和TNM分期模型，同时具有更高的临床实用性。
数据共享声明
由于隐私限制，参与医院的数据集无法公开获取，但可应要求向相应作者索取。
伦理与声明
本研究遵循《赫尔辛基宣言》的原则进行，并获得了江西省肿瘤医院伦理委员会的批准（伦理批准编号：2024ky071），同时免除了患者的知情同意要求。
作者贡献声明
我们作为本文的作者，集体和个别地对我们在研究和论文准备中的贡献进行了清晰简洁的描述：
1.周永杰：概念提出、方法论设计、数据分析、初稿撰写。
2.赵金宏：数据整理、调查、数据分析。
3.谭永明：数据整理、调查、数据分析。
4.邹飞：方法论设计。
5.方磊：调查工作。
6.魏鹏飞：软件开发。
7.曾伟：数据整理。
8.龚良庚：
资助信息
本研究得到了江西省卫生健康委员会科技规划项目[项目编号：202510509]、江西省卫生健康委员会科技规划项目[项目编号：202510320]和江西省卫生健康委员会科技规划项目[项目编号：202410394]的支持。
致谢
作者感谢患者及其家属，以及所有研究人员和医务人员。
