基于CT的融合模型开发与验证：用于食管胃结合部腺癌浸润深度和淋巴结转移的术前预测

*仅供医学专业人士阅读参考

基于CT的融合模型在预测AEG患者的T分期和N分期方面具有潜在价值

近年来，食管胃结合部腺癌（AEG）的发病率明显增加。AEG被定义为位于食管胃连接部两侧5厘米范围内的独立疾病。在AEG的诊断中，TNM分期系统是最广泛接受的风险分层系统，并用于后续的治疗计划和预后评估。因此，准确评估AEG患者的肿瘤浸润深度和淋巴结转移状态对于治疗和预后至关重要。

影像组学作为一种新兴的肿瘤分析和预测方法，在肿瘤学实践中显示出巨大潜力。此外，逻辑回归（LR）、支持向量机（SVM）和极限梯度提升（XGBoost）等机器学习（ML）方法也已被证明在特征提取和选择中起着关键作用。近期，一项研究[1]旨在开发并验证一种基于CT的融合模型，结合影像组学和临床特征危险因素，用于个体化术前预测AEG患者的肿瘤浸润深度（T分期）和淋巴结转移（N分期）。

研究方法

研究回顾性分析了2016年1月至2020年12月期间在一个医疗中心接受根治性胃切除术的202例AEG患者。采用随机分配法划分训练集和测试集（比例3:1），将152例患者纳入训练队列，50例患者纳入内部验证队列。此外，收集了同期在另一个医疗中心符合标准的54例AEG患者作为外部验证组。患者纳入标准包括：（1）接受根治性手术；（2）术后病理检查证实为原发性AEG；（3）淋巴结清扫范围达D2及以上；（4）具有完整的CT图像数据和临床病理数据；（5）术前未接受任何治疗；（6）术前一周内进行了腹部增强CT检查。排除标准包括：（1）姑息性手术或淋巴结清扫范围不足；（2）术后病理结果为鳞状细胞癌；（3）肿瘤病灶中心距齿状线超过5厘米；（4）临床病理或术前影像数据缺失。

研究收集了患者基线临床病理数据，包括年龄、性别、体重、身高、神经侵犯、血管癌栓、最大直径、分化程度以及治疗前肿瘤标志物（CEA、CA199、CA125、AFP、CA242、CA724）水平。根据AJCC/UICC第8版TNM分期标准，通过病理评估确认TNM分期。

结果

▌临床特征

来自一个医疗中心的202例AEG患者被随机分为训练队列（n=152）和内部验证队列（n=50），来自另一个医疗中心的54例AEG患者作为外部验证队列。患者基线特征基本一致。在训练队列中，分别采用单变量和多变量方法评估肿瘤浸润深度和淋巴结转移的独立临床预测因子。

▌临床病理变量的单变量和多变量分析

单变量分析显示，神经侵犯、分化程度、肿瘤长径、短径等因素与肿瘤浸润深度显著相关（表1）。多变量分析进一步确定，肿瘤长径和神经侵犯是其独立预测因子（表1）。

表1 肿瘤浸润深度的单因素和多因素分析

采用相同方法，单变量分析显示，血管癌栓、神经侵犯、肿瘤长径、肿瘤次长径、肿瘤短径、CEA是淋巴结转移的临床危险因素（表2）。同时，多变量分析显示，肿瘤长径和血管癌栓是AEG淋巴结转移的独立预测因子（表2）。

表2 淋巴结转移的单因素和多因素分析

▌影像组学列线图构建与评估

为确保影像组学特征的稳定性，对提取的影像组学特征进行了一致性检验，保留ICC>0.8的特征，初步获得879个特征。研究使用五折交叉验证策略建立了三种机器学习方法（LR、SVM和XGB），并在测试集上评估了它们在预测肿瘤浸润深度和淋巴结转移方面的性能。

根据五折交叉验证结果，选择LR作为T分期预测模型的算法，其AUC分别为：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，选择SVM作为N分期预测模型的算法，其AUC分别为：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）。

▌构建和验证预测T分期的融合模型

将肿瘤浸润深度（T分期）的独立预测因子与影像组学列线图相结合。开发了一个融合模型来预测T分期，该模型包括影像组学评分、肿瘤长径和神经侵犯作为独立预测因子（图1A）。

图1 T期预测融合模型的开发与验证

预测T分期的融合模型的校准曲线显示，在训练折（图1B）、测试折（图1C）、内部验证队列（图1D）和外部验证队列（图1E）中，模型的预测与实际观测值之间具有高度一致性。

图2比较了四个队列中影像组学列线图和融合模型在肿瘤浸润深度预测性能方面的ROC曲线。在训练折中（图2A），影像组学列线图的AUC为0.761（95%CI: 0.748–0.788），融合模型的AUC为0.816（95%CI: 0.807–0.836）。在测试折中（图2B），影像组学列线图的AUC为0.706（95%CI: 0.698–0.715），融合模型的AUC为0.764（95%CI: 0.739–0.786）。在内部验证队列中（图2C），影像组学列线图的AUC为0.697（95%CI: 0.675–0.710），融合模型的AUC为0.752（95%CI: 0.730–0.764）。在外部验证队列中（图2D），影像组学列线图的AUC为0.687（95%CI: 0.678–0.699），融合模型的AUC为0.756（95%CI: 0.747–0.769）。融合模型的效能显著高于影像组学列线图（P<0.001）。

图2 4个队列T分期模型的ROC曲线分析比较

▌构建和验证预测N分期的融合模型

研究将淋巴结转移（N分期）的独立预测因子与影像组学列线图相结合，开发了一个融合模型来预测N分期，该模型包括影像组学评分、肿瘤长径和血管癌栓作为独立预测因子（图3A）。

图3 N期预测融合模型的开发与验证

预测N分期的融合模型的校准曲线在训练折（图3B）、测试折（图3C）、内部验证队列（图3D）和外部验证队列（图3E）中均显示出高度一致性。

图4比较了四个队列中影像组学列线图和融合模型在淋巴结转移预测性能方面的ROC曲线。在训练折中（图4A），影像组学列线图的AUC为0.867（95%CI: 0.710–0.932），融合模型的AUC为0.914（95%CI: 0.900–0.939）。在测试折中（图4B），影像组学列线图的AUC为0.732（95%CI: 0.669–0.785），融合模型的AUC为0.809（95%CI: 0.785–0.828）。在内部验证队列中（图4C），影像组学列线图的AUC为0.718（95%CI: 0.644–0.752），融合模型的AUC为0.841（95%CI: 0.810–0.857）。在外部验证队列中（图4D），影像组学列线图的AUC为0.680（95%CI: 0.601–0.722），融合模型的AUC为0.801（95%CI: 0.777–0.861）。在四个队列中，融合模型的效能与影像组学列线图的效能均存在显著差异（P<0.001）。

图4 4个队列N分期模型的ROC曲线分析比较

▌融合模型的相关性分析及临床效用分析

融合模型中影像组学特征与临床变量之间的相关性分析显示，相关性均低于0.3，因此无需担心多重共线性问题。此外，我们对模型中三个最重要的影像组学特征与临床特征进行了相关性分析，发现它们相关性较低。因此，影像组学特征和临床特征的预测性能具有互补性。临床决策曲线分析（DCA））显示，预测T分期的融合模型（图5A）和预测N分期的融合模型（图5B）均比“全部治疗”或“全部不治疗”策略提供更高的净收益。融合模型显示出比影像组学列线图更高的净收益。

图5 放射组学列线图、临床模型和融合模型的决策曲线分析（DCA）。

总结

研究开发了用于预测AEG浸润深度和淋巴结转移的新型融合模型。它们在训练队列和验证队列中的预测性能均令人满意。通过多变量分析，我们发现肿瘤大小和神经侵犯是肿瘤浸润深度的独立危险因素。此外，肿瘤大小和血管癌栓是AEG淋巴结转移的预测因子，当肿瘤较大或存在血管癌栓时，患者淋巴结转移更多。本研究也存在一些局限性。首先，作为一项回顾性研究，可能存在选择偏倚；其次，提取的影像特征与ROI密切相关，ROI勾画由放射科医生完成，主观偏倚可能影响结果。未来的研究应考虑纳入先进技术，如人工智能辅助分割工具，以更精确地捕捉医学图像中的复杂边界和细节。第三，本研究中相对较小的样本量可能影响结果的稳定性和可重复性，可能限制模型的泛化能力，导致在新数据集上性能欠佳。未来的研究应考虑增加样本量以增强结果的泛化能力和统计效力，并纳入生存数据以探索与影像特征的更多关联，最终为临床决策提供更有力的支持。

参考文献：

[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.

审批编号：CN-171333 有效期至：2026-11-07
本材料由阿斯利康提供，仅供医疗卫生专业人士参考

*此文仅用于向医疗卫生专业人士提供科学信息，不代表平台立场。