结合酰胺质子转移加权成像直方图分析与表观扩散系数磁共振成像术前预测直肠癌肿瘤芽殖分级

《European Radiology Experimental》：Preoperative prediction of tumor budding grade in rectal cancer by combining APT histogram analysis and ADC MRI

　　

摘要 肿瘤芽殖（Tumor budding, TB）是直肠癌（Rectal cancer, RC）中具有侵袭性行为及不良预后的组织病理学标志物，但目前尚无法可靠地进行术前评估。研究人员旨在探讨酰胺质子转移加权成像（Amide proton transfer-weighted imaging, APTw）与表观扩散系数（Apparent diffusion coefficient, ADC）图的直方图特征是否可作为术前预测TB分级的无创生物标志物。本研究为回顾性设计，纳入2023年6月至2025年5月共204例RC患者，按时间分割为训练队列（n=133）与验证队列（n=71）。所有患者均接受术前APTw及扩散加权成像检查，TB分级依据组织病理学确定。研究人员从全肿瘤体积中提取APTw及ADC图的直方图特征，采用基于机器学习的分类器进行特征筛选，随后通过单因素及多因素logistic回归识别独立预测因子，并应用SHapley Additive exPlanations（SHAP）方法进行模型可解释性分析，构建整合直方图特征与临床变量的列线图。最终筛选出五个关键直方图特征（ADC-90%、ADC-Minimum、ADC-Range、APTw-10%及APTw-Median）。直方图模型在训练与验证队列中的受试者工作特征曲线下面积（Area under the receiver operating characteristic curve, AUROC）分别为0.85（95%置信区间[Confidence interval, CI]：0.79–0.92）与0.86（95% CI：0.78–0.95）。SHAP分析显示ADC-90%与ADC-Minimum为最具影响力的预测因子。结合直方图特征与临床因素的联合模型性能进一步提升，训练与验证队列AUROC分别为0.88（95% CI：0.82–0.94）与0.87（95% CI：0.79–0.96）。结果表明，APTw与ADC直方图特征可独立预测RC的TB分级，联合临床特征可进一步提高术前预测准确性。该方法无创、无需对比剂，可为临床个体化治疗决策提供实用工具。

论文解读

研究背景

结直肠癌是全球第三常见、第二致死率的恶性肿瘤，其中约40%为直肠癌（RC）。肿瘤芽殖（TB）指肿瘤浸润前沿出现小簇未分化肿瘤细胞，是反映肿瘤侵袭与进展的重要动态指标，被国际共识列为RC的独立不良预后因素。高TB分级与肿瘤低分化、总生存期缩短及复发风险升高密切相关，并可指导辅助治疗决策。然而，目前TB分级依赖术后组织病理评估，术前无创评估手段有限。磁共振成像（MRI）中的酰胺质子转移加权成像（APTw）可在不使用外源对比剂的情况下检测肿瘤内源性移动蛋白和多肽，反映细胞代谢与增殖状态；表观扩散系数（ADC）则量化水分子扩散受限程度，间接体现肿瘤微观结构与细胞密度。既往研究多基于单序列或主观感兴趣区（Region of interest, ROI）测量，难以全面表征肿瘤异质性，且样本量较小、缺乏独立验证。因此，研究人员提出基于全肿瘤体积的APTw与ADC直方图分析方法，以期实现术前无创、精准的TB分级预测。该论文发表于《European Radiology Experimental》。

关键技术方法

研究回顾性纳入某中心2023年6月至2025年5月共204例RC患者，排除术前放化疗史、非腺癌类型及图像质量不合格病例，按时间分为训练队列（n=133）与验证队列（n=71）。所有患者在术前两周内完成盆腔MRI，包括三维APTw及扩散加权成像（b值0与1000 s/mm²），自动生成ADC图。由两名放射科医师盲法独立勾画全肿瘤体积，提取最小、最大、均值、百分位数、范围等直方图特征，并进行特征选择与机器学习建模。采用支持向量机、线性判别分析等多种算法，经五折交叉验证优化超参数，并通过SMOTE算法平衡类别分布。最终构建临床模型、直方图模型及联合模型，以AUROC等指标评估诊断效能，并使用SHAP分析增强模型可解释性。

研究结果

患者临床病理特征比较

训练与验证队列在年龄、性别、肿瘤分期等关键基线特征上无显著差异。训练队列中，高TB分级与更高T分期、更高组织学分级及癌胚抗原（CEA）水平显著相关。

临床模型表现

单因素分析显示MRI-T分期与CEA为TB分级的重要风险因素，多因素分析证实二者为独立预测因子。临床模型在训练队列AUROC为0.68，验证队列为0.61，诊断效能有限。

直方图参数表现

共提取36个直方图特征，经筛选获得五个关键特征（ADC-90%、ADC-Minimum、ADC-Range、APTw-10%、APTw-Median）。直方图模型在训练与验证队列AUROC分别达0.85与0.86，灵敏度和特异度均在76%以上。SHAP分析显示ADC-90%与ADC-Minimum对模型贡献最大，较高ADC-90%及较低ADC-Minimum与高TB分级正相关。

联合模型表现

联合模型整合MRI-T分期与直方图评分，在训练队列AUROC为0.88，验证队列为0.87，优于单独模型。决策曲线分析与校准曲线表明其具有良好的临床应用潜力与预测一致性。

讨论与结论

研究人员指出，高TB分级肿瘤因细胞增殖活跃及新生血管增多，导致细胞内移动蛋白和多肽浓度升高，从而APTw信号增强；同时肿瘤侵袭前沿细胞密度高，水分子扩散受限，ADC值降低。直方图分析较单一平均值更能反映肿瘤内部异质性，提高预测灵敏度。联合模型以列线图形式呈现，便于临床使用，可在术前识别高危患者，辅助制定手术方案、监测策略及辅助治疗计划，减少低风险患者过度治疗。研究局限在于缺乏外部多中心验证、样本量相对较小、未涵盖接受新辅助治疗的患者及部分组织学亚型。未来需在更大规模前瞻性研究中进一步验证模型稳定性与泛化能力。

结论：结合APTw与ADC直方图特征的联合模型可无创、准确地术前预测直肠癌肿瘤芽殖分级，为个体化治疗提供可靠依据。