《Frontiers in Oncology》：A model integrating CEA and KRAS mutation statuses and computed tomography tumor-habitat radiomics predicts synchronous liver metastases in patients with rectal cancer: a dual-center study
编辑推荐：
目的：探讨基于计算机断层扫描（CT）的肿瘤生境影像组学模型在鉴别伴有与不伴有同步肝转移（SLM）的直肠癌（RC）患者中的诊断效能。方法：本回顾性研究纳入两个独立患者队列。队列1（内部队列）纳入2022年4月至2025年6月期间经病理确诊且CT资料完整的198例
目的：探讨基于计算机断层扫描（CT）的肿瘤生境影像组学模型在鉴别伴有与不伴有同步肝转移（SLM）的直肠癌（RC）患者中的诊断效能。方法：本回顾性研究纳入两个独立患者队列。队列1（内部队列）纳入2022年4月至2025年6月期间经病理确诊且CT资料完整的198例RC患者，其中SLM阳性46例、SLM阴性152例。该队列按7：3比例随机分为训练集（140例：SLM阳性33例，SLM阴性107例）和内部验证集（58例：SLM阳性13例，SLM阴性45例）。队列2作为外部验证集，纳入55例RC患者（SLM阳性18例，SLM阴性37例）。在动脉期薄层CT图像上逐层手动勾画感兴趣区（ROI）。从ROI中提取原始影像组学特征，并采用K-means聚类分割肿瘤亚生境，随后对每个亚生境进行特征提取。在训练集上采用最小冗余最大相关（mRMR）和最小绝对收缩与选择算子（LASSO）算法进行特征降维。分别构建Logistic回归分类器以开发传统影像组学模型和生境影像组学模型。使用受试者工作特征曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）量化模型性能和临床效用。结果：单因素和多因素Logistic回归确定血清CEA和KRAS突变是SLM的独立危险因素。将这些因素整合构建临床基线模型，其AUC值分别为0.730（训练集）、0.724（内部验证集）和0.701（外部验证集）。经严格特征筛选，保留13个传统影像组学特征和13个生境影像组学特征用于模型构建。传统影像组学模型的AUC分别为0.785（训练集）、0.764（内部验证集）和0.782（外部验证集），而生境影像组学模型获得了更高的AUC，分别为0.862、0.826和0.826。整合独立临床危险因素与生境影像组学评分的联合模型获得了数值上最高的AUC，分别为0.883（训练集）、0.846（内部验证集）和0.851（外部验证集），优于临床模型、传统影像组学模型和独立生境模型，并展现出稳健的跨队列稳定性。校准曲线显示联合模型具有良好的预测一致性，而DCA显示其在广泛的风险阈值范围内具有持续的临床净获益。结论：基于CT的生境影像组学模型能够有效识别伴有SLM的RC患者，其性能在数值上优于传统全肿瘤影像组学。将临床生物标志物与生境影像组学整合可进一步提高预测准确性，为RC提供了一种新型的非侵入性术前风险分层策略。
论文解读：基于CT肿瘤生境影像组学与临床指标预测直肠癌同步肝转移的双中心研究
**一、研究背景与现存问题**
直肠癌（RC）是常见的消化道恶性肿瘤，初诊时约15%–20%的患者已存在同步肝转移（SLM），这是导致RC患者疾病相关性死亡的主要原因。在缺乏规范化多模式治疗的情况下，未经处理的结直肠癌肝转移患者中位总生存期仅为5–20个月，因此术前准确识别SLM对制定个体化治疗方案和改善长期预后至关重要。CT是RC常规的术前影像学检查手段，但传统影像组学将肿瘤视为均匀整体提取特征，忽略了肿瘤内部的异质性。近年兴起的肿瘤生境分析通过无监督聚类将肿瘤感兴趣区划分为具有相似灰度特征的亚区域，可捕获空间异质性信息，有望更准确地反映肿瘤侵袭和转移相关的生物学特征。基于此，研究人员利用CT影像开展双中心研究，旨在探索基于肿瘤生境分析的影像组学模型能否更有效地识别RC患者的SLM，并整合临床危险因素进一步提升诊断效能。
**二、研究内容与结论概述**
研究人员回顾性纳入两个独立中心的RC患者，内部队列来自福建医科大学附属泉州第一医院，共198例（SLM阳性46例、阴性152例），其中训练集140例、内部验证集58例；外部验证队列来自浙江中医药大学第五临床医学院湖州中心医院，共55例（SLM阳性18例、阴性37例）。研究提取了动脉期CT图像的常规影像组学特征和生境影像组学特征，结合临床血清肿瘤标志物和基因突变信息，分别构建了临床模型、传统影像组学模型、生境模型及联合模型。结果显示，生境模型的预测效能数值上优于传统影像组学模型；进一步整合血清CEA和KRAS突变状态后构建的联合模型取得了最高的AUC，且校准和临床净获益表现良好。研究提示，CT生境影像组学联合临床生物标志物可为RC患者SLM的术前无创评估提供可靠的风险分层工具。
**三、主要技术方法**
该项研究采用的关键技术方法包括：对动脉期CT图像进行1 mm × 1 mm × 1 mm体素重采样，并使用ComBat算法消除多中心间的影像数据批次效应；基于训练集全部肿瘤体素通过K-means无监督聚类（最佳聚类数K=3）将肿瘤划分为三个亚生境，并将聚类中心固定后应用到其他队列；使用PyRadiomics从全瘤和各亚生境中分别提取影像组学特征；结合最小冗余最大相关（mRMR）与最小绝对收缩与选择算子（LASSO）算法在训练集上进行特征降维筛选；采用Logistic回归分类器构建各诊断模型，并以曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）评估模型性能。样本队列来源为上述两个医疗中心。
**四、研究结果**
**3.1 基线临床特征与临床预测模型构建。** 研究人员在训练集中通过单因素Logistic回归筛选出与SLM相关的临床指标，进一步多因素回归证实血清CEA（OR=3.186，95%CI：1.313–7.734，P=0.010）和KRAS突变（OR=2.724，95%CI：1.144–6.484，P=0.024）是SLM的独立危险因素。以二者构建的临床模型在训练集、内部验证集和外部验证集的AUC分别为0.730、0.724和0.701。
**3.2 影像组学模型特征筛选与构建。** 研究从每个肿瘤ROI提取了960个原始影像组学特征，经mRMR和LASSO两步降维后保留13个特征构建传统影像组学模型。该模型在训练集、内部验证集和外部验证集中的AUC分别为0.785、0.764和0.782。
**3.3 生境模型特征筛选与构建。** 当聚类数K=3时轮廓系数最大，因此将肿瘤分成三个亚区。从每个亚区提取960个特征共2880个，筛选后保留13个特征进入模型，其中亚区1包含5个、亚区2包含2个、亚区3包含6个。基于这些特征构建的生境模型AUC在训练集、内部验证集和外部验证集分别为0.862、0.826和0.826，在数值上高于传统影像组学模型。
**3.4 联合模型构建与验证。** 将CEA、KRAS和生境影像组学评分纳入多因素Logistic回归，三者均为独立危险因素（CEA OR=3.747，95%CI：1.332–10.619，P=0.013；KRAS OR=3.015，95%CI：1.087–8.364，P=0.034；生境评分OR=2.094，95%CI：1.556–2.819，P<0.001）。联合模型在训练集、内部验证集和外部验证集中的AUC分别为0.883、0.846和0.851，均高于单独的临床模型、影像组学模型和生境模型。Delong检验显示联合模型与临床模型的差异具有统计学意义，而与影像组学模型、生境模型比较差异无统计学意义。校准曲线显示联合模型预测概率与实际SLM发生情况良好一致，Hosmer–Lemeshow检验P值在训练集、内部验证集和外部验证集分别为0.601、0.112和0.393。决策曲线分析表明联合模型在较宽的风险阈值范围内能够提供更高的临床净获益，研究人员据此绘制了列线图以便临床应用。
**五、讨论总结与结论**
本研究发现CT生境影像组学模型可更精细地刻画肿瘤内部异质性，其预测效能优于传统全肿瘤影像组学。与既往基于MRI或超声的SLM预测研究相比，基于CT的方案具有设备普及度高、操作简便、适合在基层医疗机构推广的优势。将血清CEA和KRAS突变状态与生境影像组学评分整合可进一步提高诊断准确性，为临床医生提供了直观、量化的风险评估工具。该研究也存在一定局限性：属于回顾性设计，样本量相对较小；仅使用了动脉期CT影像，未纳入多期相信息；受数据记录完整性限制，纳入的临床指标有限。未来仍需前瞻性、大样本、多中心研究加以验证。研究结论为：研究人员结合临床肿瘤标志物CEA和KRAS与生境影像组学评分构建的新型预测模型，能够有效且准确地评估RC患者发生SLM的风险；生境模型的预测性能数值上优于传统影像组学模型，而整合临床肿瘤指标的联合模型可进一步提升诊断效能，为RC患者SLM的术前无创精准评估提供了新的技术途径和临床策略。
