*僅供醫(yī)學專業(yè)人士閱讀參考

基于CT的融合模型在預測AEG患者的T分期和N分期方面具有潛在價值

近年來，食管胃結合部腺癌（AEG）的發(fā)病率明顯增加。AEG被定義為位于食管胃連接部兩側5厘米范圍內的獨立疾病。在AEG的診斷中，TNM分期系統(tǒng)是最廣泛接受的風險分層系統(tǒng)，并用于后續(xù)的治療計劃和預后評估。因此，準確評估AEG患者的腫瘤浸潤深度和淋巴結轉移狀態(tài)對于治療和預后至關重要。

影像組學作為一種新興的腫瘤分析和預測方法，在腫瘤學實踐中顯示出巨大潛力。此外，邏輯回歸（LR）、支持向量機（SVM）和極限梯度提升（XGBoost）等機器學習（ML）方法也已被證明在特征提取和選擇中起著關鍵作用。近期，一項研究[1]旨在開發(fā)并驗證一種基于CT的融合模型，結合影像組學和臨床特征危險因素，用于個體化術前預測AEG患者的腫瘤浸潤深度（T分期）和淋巴結轉移（N分期）。

研究方法

研究回顧性分析了2016年1月至2020年12月期間在一個醫(yī)療中心接受根治性胃切除術的202例AEG患者。采用隨機分配法劃分訓練集和測試集（比例3:1），將152例患者納入訓練隊列，50例患者納入內部驗證隊列。此外，收集了同期在另一個醫(yī)療中心符合標準的54例AEG患者作為外部驗證組。患者納入標準包括：（1）接受根治性手術；（2）術后病理檢查證實為原發(fā)性AEG；（3）淋巴結清掃范圍達D2及以上；（4）具有完整的CT圖像數(shù)據(jù)和臨床病理數(shù)據(jù)；（5）術前未接受任何治療；（6）術前一周內進行了腹部增強CT檢查。排除標準包括：（1）姑息性手術或淋巴結清掃范圍不足；（2）術后病理結果為鱗狀細胞癌；（3）腫瘤病灶中心距齒狀線超過5厘米；（4）臨床病理或術前影像數(shù)據(jù)缺失。

研究收集了患者基線臨床病理數(shù)據(jù)，包括年齡、性別、體重、身高、神經(jīng)侵犯、血管癌栓、最大直徑、分化程度以及治療前腫瘤標志物（CEA、CA199、CA125、AFP、CA242、CA724）水平。根據(jù)AJCC/UICC第8版TNM分期標準，通過病理評估確認TNM分期。

結果

▌臨床特征

來自一個醫(yī)療中心的202例AEG患者被隨機分為訓練隊列（n=152）和內部驗證隊列（n=50），來自另一個醫(yī)療中心的54例AEG患者作為外部驗證隊列。患者基線特征基本一致。在訓練隊列中，分別采用單變量和多變量方法評估腫瘤浸潤深度和淋巴結轉移的獨立臨床預測因子。

▌臨床病理變量的單變量和多變量分析

單變量分析顯示，神經(jīng)侵犯、分化程度、腫瘤長徑、短徑等因素與腫瘤浸潤深度顯著相關（表1）。多變量分析進一步確定，腫瘤長徑和神經(jīng)侵犯是其獨立預測因子（表1）。

表1 腫瘤浸潤深度的單因素和多因素分析

采用相同方法，單變量分析顯示，血管癌栓、神經(jīng)侵犯、腫瘤長徑、腫瘤次長徑、腫瘤短徑、CEA是淋巴結轉移的臨床危險因素（表2）。同時，多變量分析顯示，腫瘤長徑和血管癌栓是AEG淋巴結轉移的獨立預測因子（表2）。

表2 淋巴結轉移的單因素和多因素分析

▌影像組學列線圖構建與評估

為確保影像組學特征的穩(wěn)定性，對提取的影像組學特征進行了一致性檢驗，保留ICC>0.8的特征，初步獲得879個特征。研究使用五折交叉驗證策略建立了三種機器學習方法（LR、SVM和XGB），并在測試集上評估了它們在預測腫瘤浸潤深度和淋巴結轉移方面的性能。

根據(jù)五折交叉驗證結果，選擇LR作為T分期預測模型的算法，其AUC分別為：LR 0.706（95% CI, 0.698–0.715）、SVM 0.643（95% CI, 0.583–0.680）、XGB 0.656（95% CI, 0.5933–0.710）。此外，選擇SVM作為N分期預測模型的算法，其AUC分別為：LR 0.698（95% CI, 0.665–0.724）、SVM 0.732（95% CI, 0.669–0.785）、XGB 0.702（95% CI, 0.639–0.752）。

▌構建和驗證預測T分期的融合模型

將腫瘤浸潤深度（T分期）的獨立預測因子與影像組學列線圖相結合。開發(fā)了一個融合模型來預測T分期，該模型包括影像組學評分、腫瘤長徑和神經(jīng)侵犯作為獨立預測因子（圖1A）。

圖1 T期預測融合模型的開發(fā)與驗證

預測T分期的融合模型的校準曲線顯示，在訓練折（圖1B）、測試折（圖1C）、內部驗證隊列（圖1D）和外部驗證隊列（圖1E）中，模型的預測與實際觀測值之間具有高度一致性。

圖2比較了四個隊列中影像組學列線圖和融合模型在腫瘤浸潤深度預測性能方面的ROC曲線。在訓練折中（圖2A），影像組學列線圖的AUC為0.761（95%CI: 0.748–0.788），融合模型的AUC為0.816（95%CI: 0.807–0.836）。在測試折中（圖2B），影像組學列線圖的AUC為0.706（95%CI: 0.698–0.715），融合模型的AUC為0.764（95%CI: 0.739–0.786）。在內部驗證隊列中（圖2C），影像組學列線圖的AUC為0.697（95%CI: 0.675–0.710），融合模型的AUC為0.752（95%CI: 0.730–0.764）。在外部驗證隊列中（圖2D），影像組學列線圖的AUC為0.687（95%CI: 0.678–0.699），融合模型的AUC為0.756（95%CI: 0.747–0.769）。融合模型的效能顯著高于影像組學列線圖（P<0.001）。

圖2 4個隊列T分期模型的ROC曲線分析比較

▌構建和驗證預測N分期的融合模型

研究將淋巴結轉移（N分期）的獨立預測因子與影像組學列線圖相結合，開發(fā)了一個融合模型來預測N分期，該模型包括影像組學評分、腫瘤長徑和血管癌栓作為獨立預測因子（圖3A）。

圖3 N期預測融合模型的開發(fā)與驗證

預測N分期的融合模型的校準曲線在訓練折（圖3B）、測試折（圖3C）、內部驗證隊列（圖3D）和外部驗證隊列（圖3E）中均顯示出高度一致性。

圖4比較了四個隊列中影像組學列線圖和融合模型在淋巴結轉移預測性能方面的ROC曲線。在訓練折中（圖4A），影像組學列線圖的AUC為0.867（95%CI: 0.710–0.932），融合模型的AUC為0.914（95%CI: 0.900–0.939）。在測試折中（圖4B），影像組學列線圖的AUC為0.732（95%CI: 0.669–0.785），融合模型的AUC為0.809（95%CI: 0.785–0.828）。在內部驗證隊列中（圖4C），影像組學列線圖的AUC為0.718（95%CI: 0.644–0.752），融合模型的AUC為0.841（95%CI: 0.810–0.857）。在外部驗證隊列中（圖4D），影像組學列線圖的AUC為0.680（95%CI: 0.601–0.722），融合模型的AUC為0.801（95%CI: 0.777–0.861）。在四個隊列中，融合模型的效能與影像組學列線圖的效能均存在顯著差異（P<0.001）。

圖4 4個隊列N分期模型的ROC曲線分析比較

▌融合模型的相關性分析及臨床效用分析

融合模型中影像組學特征與臨床變量之間的相關性分析顯示，相關性均低于0.3，因此無需擔心多重共線性問題。此外，我們對模型中三個最重要的影像組學特征與臨床特征進行了相關性分析，發(fā)現(xiàn)它們相關性較低。因此，影像組學特征和臨床特征的預測性能具有互補性。臨床決策曲線分析（DCA））顯示，預測T分期的融合模型（圖5A）和預測N分期的融合模型（圖5B）均比“全部治療”或“全部不治療”策略提供更高的凈收益。融合模型顯示出比影像組學列線圖更高的凈收益。

圖5 放射組學列線圖、臨床模型和融合模型的決策曲線分析（DCA）。

總結

研究開發(fā)了用于預測AEG浸潤深度和淋巴結轉移的新型融合模型。它們在訓練隊列和驗證隊列中的預測性能均令人滿意。通過多變量分析，我們發(fā)現(xiàn)腫瘤大小和神經(jīng)侵犯是腫瘤浸潤深度的獨立危險因素。此外，腫瘤大小和血管癌栓是AEG淋巴結轉移的預測因子，當腫瘤較大或存在血管癌栓時，患者淋巴結轉移更多。本研究也存在一些局限性。首先，作為一項回顧性研究，可能存在選擇偏倚；其次，提取的影像特征與ROI密切相關，ROI勾畫由放射科醫(yī)生完成，主觀偏倚可能影響結果。未來的研究應考慮納入先進技術，如人工智能輔助分割工具，以更精確地捕捉醫(yī)學圖像中的復雜邊界和細節(jié)。第三，本研究中相對較小的樣本量可能影響結果的穩(wěn)定性和可重復性，可能限制模型的泛化能力，導致在新數(shù)據(jù)集上性能欠佳。未來的研究應考慮增加樣本量以增強結果的泛化能力和統(tǒng)計效力，并納入生存數(shù)據(jù)以探索與影像特征的更多關聯(lián)，最終為臨床決策提供更有力的支持。

參考文獻：

[1]Cao M, et al. Development and validation of CT-based fusion model for preoperative prediction of invasion and lymph node metastasis in adenocarcinoma of esophagogastric junction. BMC Med Imaging. 2025 Jul 1;25(1):242.

審批編號：CN-171333 有效期至：2026-11-07
本材料由阿斯利康提供，僅供醫(yī)療衛(wèi)生專業(yè)人士參考

*此文僅用于向醫(yī)療衛(wèi)生專業(yè)人士提供科學信息，不代表平臺立場。