局部进展期直肠癌新辅助化放疗后病理完全缓解（pCR）预测模型的诊断准确性比较：系统综述与Meta分析

《Cancers》：Prediction Models for Pathological Response to Neoadjuvant Chemoradiotherapy in Locally Advanced Rectal Cancer: A Systematic Review and Meta-Analysis

　　

背景：准确预测病理完全缓解（pathological complete response, pCR）对局部进展期直肠癌（locally advanced rectal cancer, LARC）患者分层及筛选器官保留治疗候选者至关重要。然而，pCR是术后病理终点，而观察等待策略基于临床完全缓解（clinical complete response, cCR）。尽管快速扩展的文献涵盖基因表达特征、MRI影像组学、深度学习及多模态融合模型，尚无既往系统综述使用当代诊断试验准确性Meta分析方法全面评估所有模态的预测性能。

方法：研究人员对开发或验证接受新辅助化放疗（neoadjuvant chemoradiotherapy, nCRT）治疗的LARC患者pCR预测模型的研究进行系统综述和随机效应Meta分析。采用logit转换随机效应模型估计汇总受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）。通过I²和τ²量化异质性。根据模型模态和验证策略进行亚组分析。采用Egger线性回归检验评估发表偏倚。使用留一法交叉验证进行敏感性分析。

结果：共纳入43项研究，67,302例患者。所有模型汇总AUC为0.874（95% CI：0.855–0.892），存在显著异质性（I² = 94.3%，τ² = 0.247）。深度学习模型汇总AUC最高（0.919，95% CI：0.877–0.948），MRI影像组学（0.885，95% CI：0.852–0.911）、多模态（0.875，95% CI：0.813–0.919）、基因表达（0.855，95% CI：0.797–0.898）和临床因素（0.820，95% CI：0.788–0.849）的汇总估计依次降低。外部验证队列汇总AUC（0.864）低于内部验证（0.884）。检测到显著发表偏倚（Egger检验 p < 0.001）。留一法敏感性分析证实总体估计的稳健性。

结论：深度学习和MRI影像组学模型在预测LARC患者nCRT后pCR方面显示出有前景的诊断准确性。然而，回顾性、单中心设计为主且外部验证有限，构成关键转化差距，且缺乏全程新辅助治疗（total neoadjuvant therapy, TNT）时代的研究限制泛化性。亟需纳入标准化终点和适合类别不平衡指标的前瞻性、多中心验证研究。

1. 引言
结直肠癌是全球第三常见恶性肿瘤，直肠癌约占其中三分之一。对局部进展期直肠癌（locally advanced rectal cancer, LARC；cT3–T4和/或淋巴结阳性）而言，新辅助化放疗（neoadjuvant chemoradiotherapy, nCRT）后行全直肠系膜切除（total mesorectal excision, TME）已作为标准治疗二十余年。病理完全缓解（pathological complete response, pCR；ypT₀N₀）是关键替代终点，氟尿嘧啶为基础nCRT后pCR率为15–27%，并随肿瘤特征、放疗剂量/分割、化疗和手术间隔变化；全程新辅助治疗（total neoadjuvant therapy, TNT）在部分队列中可达28–38%，提示反应异质性显著。部分患者可获得临床完全缓解（clinical complete response, cCR），从而衍生出器官保留的观察等待（watch-and-wait, W&W）策略；持续cCR患者的肿瘤学结局不劣于手术治疗的pCR患者。但pCR是术后病理终点，W&W决策基于cCR，二者相关但不能互换。临床与病理反应评估不一致仍是挑战，低估治疗风险率可达4–15%。因此，研究人员开展该系统综述与Meta分析，旨在量化现有预测模型的汇总诊断准确性，比较基因表达特征、磁共振成像（magnetic resonance imaging, MRI）影像组学、深度学习、临床因素和多模态方法的性能，评估方法学质量与偏倚风险，并提出未来研究和临床实施建议。

2. 材料与方法
本系统综述和Meta分析遵循诊断试验准确性系统综述与Meta分析首选报告条目（PRISMA-DTA）指南。

2.1 检索策略
研究人员检索PubMed、Embase、Web of Science和Cochrane Library四个电子数据库，检索策略由医学信息专家参与制定，结合受控词表（MeSH和Emtree）与自由词，围绕直肠癌、新辅助治疗、反应预测和病理反应四个概念域构建，检索时间限定为2005年1月至2025年12月。

2.2 纳入标准
纳入成年患者（≥18岁），组织学确诊LARC（临床II–III期，对应cT3–T4和/或cN1–N2），并在手术切除前接受nCRT。若研究纳入少数I期或IV期患者，但主要人群（>70%）符合LARC定义，则仍可纳入。以TNT为唯一或主要治疗策略的研究单独记录，并从主要汇总分析中排除。研究设计为开发、验证或外部评估多变量预测模型，包括基因表达特征、MRI影像组学模型、深度学习算法、临床列线图或多模态整合模型，且模型用于在治疗开始前或治疗过程中预测病理反应。单生物标志物研究被排除。

2.3 数据提取
基于CHARMS清单制定标准化预试数据提取表。两名评审独立提取数据，交叉核对并通过共识解决分歧。提取内容包括研究一般特征、研究人群特征和预测模型特征。若发表报告细节不足，研究人员通过电子邮件联系通讯作者请求补充数据。

2.4 质量评估
采用简化的诊断准确性研究质量评估工具（QUADAS-2）框架评估偏倚风险，并针对预测建模研究进行调整。四个域分别为患者选择、指标试验、参考标准和流程与时间，均评为低、不明确或高偏倚风险。研究人员承认，预测模型偏倚风险评估工具（PROBAST）可能更全面，使用简化QUADAS-2是本综述质量评估的局限。

2.5 统计分析
汇总AUC采用logit转换的随机效应模型，以使抽样分布正态化并约束置信区间于[0, 1]。研究层标准误由样本量和AUC采用二项方差公式近似。采用Cochran Q、I²和τ²量化研究间异质性，并计算预测区间。按模型模态和验证策略进行亚组分析。采用Egger线性回归检验评估发表偏倚。敏感性分析采用留一法交叉验证。所有分析使用R软件4.3.3完成。主要推断采用双侧p < 0.005，p < 0.05视为探索性。

3. 结果
3.1 研究选择
系统检索共获得4277条记录，去除重复后保留3656条进行标题和摘要筛选，954条进入全文评估，最终43项研究纳入Meta分析。排除原因主要包括非原始研究、研究人群不符合LARC定义或干预不是nCRT、未构建多变量预测模型或仅进行单变量关联分析、结局不是pCR，以及未报告可用于Meta分析的AUC或其标准误。

3.2 研究特征
共纳入43项研究，覆盖67,302例患者。影像方法分布为：MRI影像组学13项、基因表达9项、临床因素8项、深度学习7项、多模态融合6项。验证设计包括内部验证24项、外部验证17项、前瞻性队列研究2项。值得注意的是，6项研究样本量小于100例，提示模型过拟合担忧。

3.3 偏倚风险评估
参考标准（组织病理学pCR）在所有研究中均评为低偏倚风险。患者选择和指标试验域存在明显方法学局限。仅19项研究（44%）采用外部或前瞻性验证，因而过拟合风险较低；24项研究（56%）依赖内部或交叉验证，与流程和时间偏倚高风险相关。

3.4 诊断准确性
全部43个模型的汇总AUC为0.874（95% CI：0.855–0.892），研究间异质性显著（Q = 741.5，p < 0.001；I² = 94.3%；τ² = 0.247；预测区间0.721–0.949）。

3.5 亚组分析
按模态进行亚组Meta分析，深度学习模型汇总AUC数值最高（0.919，95% CI：0.877–0.948；n = 7），其次为MRI影像组学（0.885，95% CI：0.852–0.911；n = 13）、多模态整合（0.875，95% CI：0.813–0.919；n = 6）、基因表达（0.855，95% CI：0.797–0.898；n = 9）和临床因素（0.820，95% CI：0.788–0.849；n = 8）。这些差异代表汇总估计的观察趋势，而非确定性比较优越性证据，因为未进行正式亚组间统计比较。各亚组异质性仍高，MRI影像组学的研究间方差相对低于深度学习。按验证策略，内部验证模型汇总AUC（0.884，95% CI：0.859–0.905；I² = 92.9%）略高于外部验证模型（0.864，95% CI：0.825–0.896；I² = 93.6%）。两项前瞻性研究汇总AUC为0.858（95% CI：0.688–0.943；I² = 58.9%）。

3.6 发表偏倚与敏感性分析
Egger线性回归检验提示显著不对称（截距 = 3.39，SE = 0.51；t = 6.70，p < 0.001），提示小样本效应和选择性报告高性能模型。漏斗图显示较小、低准确性研究相对缺失。留一法敏感性分析显示总体合并估计稳定（范围：0.870–0.877）。最具影响的个别研究包括Zhang等2020（AUC = 0.990，内部深度学习）、Ke等2023（AUC = 0.946，外部深度学习）、Liu等2017（AUC = 0.975，内部影像组学）、Xue等2021（AUC = 0.970，外部基因表达）和Chen等2024（AUC = 0.775，内部临床因素，n = 53,684）。排除Chen等2024这一极端样本量研究后，I²从94.3%降至90.7%，AUC变化仅+0.003。

4. 讨论
该Meta分析提示，人工智能驱动预测模型，尤其是深度学习和MRI影像组学，在识别LARC患者nCRT后pCR方面具有较高诊断准确性。总体汇总AUC为0.874，超过通常认为有前景的临床决策支持阈值，但显著异质性、发表偏倚和方法学局限不可忽视。不同模态间汇总AUC差异提示潜在性能梯度。深度学习模型汇总AUC最高，可能反映其识别超出人类感知的层级影像特征的能力；但该亚组异质性最大（τ² = 0.356），内部验证AUC可高达0.990，而外部验证差异明显。MRI影像组学提供较有吸引力的平衡，准确性稳健且研究间方差相对较低，提示手工影像组学特征可能在不同厂商和协议间更具可重复性。多模态模型未在汇总估计上超过单模态深度学习或影像组学，尽管其预测区间较宽且仅6项研究，提示当前多模态融合策略可能尚未充分利用互补的生物学与影像信息。临床因素模型汇总AUC最低（0.820），但τ²最小（0.060）；虽然血液生物标志物和人口学变量本身预测力较低，但其估计在不同人群中更稳定。纳入53,684例国家数据库研究使该亚组更接近真实世界泛化性，但准确性较低。显著发表偏倚是主要关切，漏斗图不对称提示小样本阴性或中等结果未发表，夸大模型性能。56%纳入研究依赖内部验证，会系统性高估准确性；内部验证（0.884）与外部验证（0.864）之间AUC差异可能低估真实过拟合。pCR与器官保留的关系存在关键概念问题：pCR是术后病理终点，W&W决策基于cCR，二者相关但不互换；准确预测pCR并不直接证明模型可安全选择患者接受非手术治疗。未来研究应将预测模型整合入cCR评估工作流，并开展前瞻性试验评估模型引导W&W策略与标准治疗相比的长期肿瘤学安全性，如局部再生长率和无病生存。AUC单独提供临床效用信息有限，缺乏敏感性、特异性、预测值、校准和决策曲线指标限制临床实施结论；AUC为0.874不保证临床相关阈值下可接受假阴性率。未来研究报告敏感性、特异性、阳性预测值（positive predictive value, PPV）、阴性预测值（negative predictive value, NPV）、校准曲线和预设阈值下的决策曲线分析（decision curve analysis, DCA）。研究间临床异质性显著，涉及nCRT方案、MRI采集参数和pCR定义（ypT₀N₀与ypT₀/TisN₀）等，且中国人群占研究多数（超过60%），可能限制向西方人群推广。小样本研究（n < 100）是异质性潜在来源，更易产生极端效应量；留一法敏感性分析提示去除个别小样本研究未显著改变总体估计，但过拟合风险不能排除。对试验设计的启示是，为实现安全W&W选择，预测模型不仅需高AUC，还需严格NPV以避免遗漏残留病变。未来应优先开展前瞻性、多中心、多机构外部验证；标准化报告敏感性、特异性、NPV、PPV、校准和决策曲线结果；建立可解释框架（如SHAP值）以增强临床医生信任；开展随机对照试验比较基于模型的治疗分配与标准治疗分配。本Meta分析的局限包括仅依赖AUC作为汇总指标，无法获得研究层2×2列联表，因而不能进行双变量层次建模（如HSROC曲线）；基于样本量和AUC采用二项方差公式估计标准误可能低估方差。与nCRT相比，TNT方案在治疗强度、术前治疗时长和pCR率方面差异显著，可能改变现有预测模型性能，未来应开发并验证专门针对TNT时代的模型。此外，nCRT方案、MRI检查方案和pCR定义等临床异质性未完全通过统计解决，中国人群比例较高可能限制泛化性。

5. 结论
人工智能模型，尤其是深度学习和MRI影像组学，在预测LARC患者nCRT后pCR方面显示出较高诊断准确性。然而，显著异质性、发表偏倚和内部验证研究中的过拟合风险，凸显在整合进入临床工作流前，迫切需要有严格设计的前瞻性、外部验证、多模态预测系统。重要的是，pCR预测不等同于基于cCR的W&W选择。未来研究必须报告阈值依赖指标、校准和决策曲线分析，以确立临床效用。

补充材料
补充材料可通过原文提供的支持信息链接下载。