用于预测接受化疗的不可切除结直肠癌肝转移患者无进展生存期的多病灶放射组学模型

《BMC Medical Imaging》：A multi-lesion radiomics model for predicting progression-free survival in patients with unresectable colorectal liver metastases undergoing chemotherapy

　　

摘要

目的

开发并验证一种基于临床变量和多病灶、多期增强CT影像组学的机器学习模型，用于预测不可切除结直肠癌肝转移（CRLM）患者的无进展生存期（PFS）。

方法

本回顾性队列研究纳入159例接受一线化疗的不可切除CRLM患者。采用分层抽样将患者分为训练队列（n?=?127）和内部保留集（n?=?32）。所有患者均在治疗前接受增强CT检查。对每位患者，在动脉期（A）和门脉期（V）图像上分别分割所有可测量的肝转移灶，并提取影像组学特征。应用基于标准间相关性准则重要性评价（CRITIC）客观赋权法和多准则决策（MCDM）的特征选择流程。基于单模态数据训练多种机器学习分类器，并采用性能加权软投票集成策略整合基学习器。采用受试者工作特征曲线下面积（AUC）、准确率、灵敏度、特异度、校准曲线和决策曲线分析（DCA）评估模型性能。利用Shapley加性解释（SHAP）评估模型可解释性。

结果

动脉期、门脉期和临床变量三模态集成模型（AVC）在内部保留集中表现出令人鼓舞的判别性能，AUC为0.792（95% CI：0.625–0.933），尽管本研究样本量不足以进行正式的模型比较。DCA提示在部分临床相关阈值范围内具有有利的净获益，但该结果需在大样本外部队列中进一步验证。所提出的CRITIC_MCDM特征选择方法在比较的特征选择方法中获得了最高的数值AUC，尽管差异不具有统计学显著性。关键预测特征包括动脉期一阶（FO）统计量（如A_FO_10Pct_sum）、门脉期FO偏度及灰度依赖矩阵（GLDM）特征（如V_FO_Skew_mean），以及CA19-9、CEA和原发肿瘤切除状态等临床生物标志物。

结论

结合CRITIC_MCDM特征选择与性能加权软投票的多病灶、多期CT影像组学框架，在分层评估接受一线化疗的不可切除CRLM患者12个月PFS风险方面显示出应用前景。该无创且可解释的方法可能支持个体化风险评估，但鉴于当前研究在模型比较方面样本量不足的局限，在临床应用前仍需前瞻性外部验证。