基于CT的放射组学与临床机器学习模型：用于预测结直肠腹膜转移瘤细胞减灭术的完全性

《Colorectal Disease》：CT-based radiomics–clinical machine-learning model to predict completeness of cytoreduction in colorectal peritoneal metastases

结直肠癌腹膜转移术后细胞减灭完整性预测研究，通过整合影像组学特征（如形态不规则性、异质性）与临床变量（化疗史、CEA水平等），构建机器学习模型，其AUROC达0.90，优于单独临床或影像模型，为个体化治疗决策提供依据。

　　

摘要

研究目的

对于结直肠腹膜转移（CPM）患者，细胞减灭术（CRS）联合腹腔热灌注化疗（HIPEC）后，细胞减灭的完整性仍是预后的最强决定因素，但术前准确预测仍然具有挑战性。本研究旨在开发并验证一个基于放射组学和临床数据的机器学习模型，以预测细胞减灭的完整性。

方法

回顾性分析了2008年至2025年间接受CRS联合HIPEC治疗的83名CPM患者。术前增强CT扫描图像在ITK-SNAP软件中手动分割，然后使用PyRadiomics工具提取放射组学特征。临床变量单独或与放射组学特征结合，通过嵌套五折交叉验证的机器学习方法进行建模，所采用的算法包括最小绝对收缩选择算法（LASSO）逻辑回归、随机森林（RF）和梯度提升分类器（GBC）。主要评估指标为细胞减灭不完全（iCC）的发生情况。同时评估了模型的区分能力（AUROC、AUPRC）、Brier分数和校准性能。

结果

在83名患者中，有17名（20.5%）出现了细胞减灭不完全的情况。独立预测因子包括较高的放射组学评分（PCI≥15）、上腹部病变、术前未接受化疗以及血清CEA水平正常（≤5 ng/mL）。基于放射组学和临床数据的模型表现最佳（AUROC 0.90，AUPRC 0.69，Brier分数0.077，敏感性83%，特异性92%），优于仅基于临床数据（AUROC 0.82–0.86）或仅基于放射组学数据（AUROC 0.69–0.75）的模型。关键的放射组学预测因子包括低球形度、较高的二维最大直径以及较高的区域熵，这些特征反映了CPM的形态学不规则性和异质性。集成模型的校准性能更优，表明其概率估计结果稳定可靠。

结论

基于CT的放射组学-临床模型能够准确预测术前细胞减灭的完整性。这一探索性的概念验证模型为多中心外部验证提供了支持，有助于优化CPM患者接受CRS联合HIPEC治疗的决策过程。

利益冲突声明

作者声明不存在利益冲突。

数据可用性声明

本研究使用的去标识化处理后的放射组学特征、临床变量及机器学习代码可应学术研究需求向通讯作者索取，但需符合机构伦理审批和数据管理要求。