基于MRI的直肠系膜脂肪影像组学对局部进展期直肠癌直肠周围淋巴结转移和壁外血管浸润的改进预测

《PLOS One》：MR-based radiomics of mesorectal fat for improved prediction of perirectal lymph node metastasis and extramural venous invasion in locally advanced rectal cancer

　　

目的：在局部进展期直肠癌（locally advanced rectal cancer, LARC）中，新辅助放化疗（neoadjuvant chemoradiotherapy, nCRT）后准确评估残留病变仍具挑战性。残留的壁外血管浸润（extramural venous invasion, EMVI）和直肠周围淋巴结（perirectal lymph node, PLN）转移提示不良结局，但治疗相关改变使这些病变在治疗后MRI上难以被识别。研究人员开发了基于MRI的影像组学模型，利用nCRT后再分期MRI预测残留EMVI和PLN转移。

材料与方法：这项回顾性研究纳入219例完成nCRT并在手术前接受治疗后MRI再分期的LARC患者。研究人员使用PyRadiomics从高分辨率T₂加权图像上手动分割的感兴趣区（包含原发肿瘤和直肠系膜脂肪）中提取影像组学特征。研究人员建立了逻辑回归（logistic regression, LR）、支持向量机（support vector machine, SVM）和随机森林（random forest, RF）模型来预测病理学EMVI和PLN状态。模型性能通过重复5折交叉验证评估，以受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）作为主要评价指标。模型性能差异使用DeLong检验进行比较。

结果：对于EMVI预测，结合肿瘤和直肠系膜脂肪的影像组学模型使用LR模型获得了最高AUC为0.797±0.073。对于PLN预测，组合模型也表现出优越的性能，AUC为0.824±0.073。同时包含肿瘤和直肠系膜脂肪特征的模型始终优于单区域模型。

结论：使用nCRT后再分期图像的基于MRI的影像组学模型可以预测LARC中的残留EMVI和PLN转移。纳入直肠系膜脂肪特征改善了模型性能，表明周围直肠系膜间隙的信息可能有助于治疗后风险评估。

结直肠癌（colorectal cancer, CRC）是全球第三大常见癌症，也是癌症相关死亡的第二大原因。局部进展期直肠癌（locally advanced rectal cancer, LARC）指肿瘤侵犯超出直肠壁，其预后与壁外血管浸润（extramural venous invasion, EMVI）和直肠周围淋巴结（perirectal lymph node, PLN）转移密切相关，这两者均显著增加复发率和死亡率。新辅助放化疗（neoadjuvant chemoradiotherapy, nCRT）后准确评估残留病变对治疗决策至关重要，尤其是在“观察等待”等器官保留策略日益普及的背景下。然而，治疗相关纤维化和肿瘤消退使常规MRI上残留EMVI和PLN转移难以识别，且MRI判读高度依赖放射科医师经验。影像组学（radiomics，从医学图像中提取高通量定量特征的技术）可提供客观、可重复的评估，既往LARC影像组学研究多聚焦于肿瘤本身，忽视了直肠系膜脂肪这一重要肿瘤微环境成分。该研究发表于《PLOS One》，旨在开发并验证基于MRI的影像组学模型，结合原发肿瘤和直肠系膜脂肪特征，预测nCRT后残留EMVI和PLN状态。

研究人员回顾性收集了2013年1月1日至2023年4月5日期间泰国曼谷朱拉隆功国王纪念医院（King Chulalongkorn Memorial Hospital）的219例LARC患者，所有患者均完成nCRT并在术前接受治疗后MRI再分期。在T₂加权轴位斜位图像上手动分割原发肿瘤和直肠系膜脂肪感兴趣区（region of interest, ROI），使用PyRadiomics提取1288个影像组学特征。通过组内相关系数（intraclass correlation coefficient, ICC）评估观察者间一致性（随机30例由三位放射科医师独立勾画），随后采用单变量逻辑回归和递归特征消除（recursive feature elimination with cross-validation, RFECV）进行特征选择。建立逻辑回归（logistic regression, LR）、支持向量机（support vector machine, SVM）和随机森林（random forest, RF）三种模型，采用重复5折交叉验证（100次训练-验证划分）评估性能，以受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）为主要指标，并使用修正DeLong检验比较模型差异。

### Model performance
在EMVI预测中，使用直肠系膜脂肪特征时，LR模型AUC为0.776±0.073，SVM为0.711±0.073，RF为0.685±0.075；使用肿瘤特征时，LR为0.757±0.079，SVM为0.732±0.074，RF为0.680±0.077；结合两者时，LR达到最高AUC 0.797±0.073，SVM和RF分别为0.726±0.078和0.725±0.072。在PLN预测中，脂肪特征下LR为0.758±0.080，SVM为0.729±0.071，RF为0.726±0.080；肿瘤特征下LR为0.806±0.065，SVM为0.764±0.063，RF为0.712±0.082；组合模型LR达到最高AUC 0.824±0.073，SVM和RF分别为0.789±0.065和0.777±0.071。因此，结合肿瘤与直肠系膜脂肪特征的模型性能最佳。

### Model comparison
统计检验显示，EMVI预测中组合模型显著优于单独肿瘤模型（p=3.02×10^?13）和单独脂肪模型（p=6.91×10^?12）。PLN预测中，肿瘤模型优于脂肪模型（p=1.96×10^?11），组合模型显著优于肿瘤模型（p=2.19×10^?4）和脂肪模型（p=5.73×10^?15）。这表明联合两个区域的影像组学特征可显著提高预测性能。

讨论部分指出，结合模型性能提升表明直肠系膜脂肪提供互补信息。在EMVI预测中，组合模型灵敏度0.8、特异度0.67，可作为筛查工具；特征wavelet-LLL_glszm_SmallAreaLowGrayLevelEmphasis在脂肪和肿瘤模型中均被选择，提示其具有重要预测价值。在PLN预测中，组合模型AUC 0.824、灵敏度0.857、特异度0.667，优于文献报道的基于图像的影像组学平均AUC 0.81。与Jayprakasam et al.的研究相比，本研究利用脂肪和肿瘤特征获得更高AUC，且发现直肠系膜脂肪可单独预测PLN和EMVI。局限性包括仅关注直肠周围淋巴结、回顾性单队列设计、样本量有限无法进行外部验证，未来需多机构大样本研究确认模型的稳健性和临床应用价值。

翻译研究结论部分：综上所述，本研究表明，来自直肠系膜脂肪和肿瘤区域的组合影像组学特征能显著增强LARC患者完成新辅助放化疗后EMVI和PLN状态的预测。组合影像组学模型，尤其采用逻辑回归时，显示出优于单独模型的预测性能。本研究所识别的术前再分期MRI关键影像组学特征为这些区域在预测中的不同贡献提供了重要见解。虽然仍需进一步验证，但研究结果提示，组合影像组学模型有望作为改善预后准确性和支持临床个体化治疗策略的非侵入性工具。