基于MRI的影像组学作为局部晚期直肠癌的成像生物标志物：以器官保留策略预测新辅助放化疗后肿瘤反应

《Cancer Reports》：MRI Based Radiomics as an Imaging Biomarker for Locally Advanced Carcinoma Rectum: Predicting Tumor Response Following Neoadjuvant Chemoradiotherapy as an Organ Preservation Strategy

　　

局部晚期直肠癌（locally advanced rectal cancer, LARC)患者对新辅助放化疗(neoadjuvant chemoradiotherapy, NACTRT)的反应存在显著异质性，使得早期预测治疗反应具有重要的临床意义。影像组学(radiomics)与机器学习(machine learning, ML)相结合，有望开发出一种潜在的非侵入性成像生物标志物，用于识别更可能对治疗产生反应的患者。研究人员旨在探究一种基于机器学习的影像组学方法，利用基线及NACTRT后磁共振成像(magnetic resonance imaging, MRI)预测直肠腺癌患者肿瘤反应(tumor response, TR)。该研究纳入了100例完成NACTRT前后MRI检查的局部晚期直肠癌患者，经机构伦理委员会批准后入组。研究采用TexRad软件^Tm从NACTRT前后T₂加权MRI(T₂W MRI)中提取124个影像组学特征，包括一阶特征、灰度共生矩阵(gray level co-occurrence matrix, GLCM)特征及形态特征。通过递归特征消除(recursive feature elimination, RFE)算法进行特征筛选，并采用五种机器学习分类器——支持向量机(support vector machine, SVM)、随机森林(random forest, RF)、梯度提升(gradient boost, GB)、朴素贝叶斯(Naive Bayes, NB)和AdaBoost(AB)分类器构建TR预测模型。研究结果显示，采用RF算法经RFE筛选出5个与TR相关的影像组学特征。经10折内部交叉验证，RF模型在预测TR方面表现最优，测试队列的受试者工作特征曲线下面积(area under the curve, AUC)为0.79±0.15，准确率为0.72±0.12，精确度为0.77±0.10。RF分类器基于影像组学的模型为接受NACTRT治疗的直肠癌患者提供了一种非侵入性的TR预测方法。该影像组学特征的预测潜力尚需在大样本多中心研究中进一步验证，以实现临床转化应用。

局部晚期直肠癌(locally advanced rectal cancer, LARC)的标准治疗方案为新辅助放化疗(neoadjuvant chemoradiotherapy, NACTRT)联合全直肠系膜切除术(total mesorectal excision, TME)。然而，NACTRT后约87%的患者仅获得部分反应(partial response, PR)，同时手术相关并发症风险不容忽视。对于达到完全反应(complete response, CR)的精选患者，"观察等待"的器官保留策略已成可行选择；而反应不佳者则需考虑强化全身治疗。因此，早期准确预测治疗反应对于优化个体化治疗决策至关重要。当前，T₂加权磁共振成像(T₂-MRI)和弥散加权磁共振成像(diffusion-weighted MRI, DW-MRI)的定性评估存在主观性强、准确性波动大等局限，CR识别的敏感度和特异度分别仅为11%-71%和19%。

现有研究在机器学习分类器选择范围、影像组学特征提取标准化以及验证策略严谨性方面存在不足。该研究旨在通过标准化TexRAD软件进行影像组学特征提取，并采用10折交叉验证框架比较多种算法，以构建基于基线及NACTRT后MRI的TR预测模型，为临床个体化治疗提供潜在的影像生物标志物。该研究发表于《Cancer Reports》。

研究人员采用的关键技术方法包括：自2015至2018年某机构614例直肠癌患者中筛选出100例符合入组标准的LARC患者，所有患者均接受卡培他滨联合奥沙利铂方案化疗及45-55Gy图像引导调强放疗；使用1.5T GE Signa扫描仪获取T₂W MRI序列，经DICOM格式导出后使用TexRAD软件进行肿瘤分割及124个影像组学特征提取；采用拉普拉斯高斯(Laplacian of Gaussian, LoG)带通滤波器预处理以减少背景噪声并增强肿瘤边缘，空间尺度滤波(spatial scale filter, SSF)半径设为0、2、3、4、5、6mm；运用Min-Max归一化处理后，以RFE结合RF算法从基线及NACTRT后MRI中各筛选5个最优特征；最终采用分层10折交叉验证策略训练并比较SVM、RF、GB、NB和AdaBoost五种分类器的预测性能，评估指标包括AUC、准确率、精确度、召回率和F1分数。

研究结果部分，"基线人口学、肿瘤及治疗特征"显示：100例患者中位年龄50岁，男性占76%，肿瘤平均大小6.22cm，73%为T3期，73%为IIIB期；NACTRT后33例达CR，74例接受手术，5例采用观察等待策略，10例不可切除，11例拒绝手术。"模型开发的临床终点特征选择"部分表明：RFE从基线MRI中筛选出SSF2标准差、SSF3标准差、SSF2偏度3个特征，从NACTRT后MRI中筛选出GLCM-IDMN(逆差异矩归一化)和微分熵2个特征，共5个最优影像组学特征用于后续建模。"各机器学习分类器的测试性能评估"部分显示：RF模型在10折交叉验证中表现最优，AUC达0.79±0.15，准确率0.72±0.12，F1分数0.81±0.07，召回率0.87±0.11，精确度0.77±0.10；其余四种分类器AUC介于0.62-0.73之间，性能均不及RF模型。值得注意的是，由于样本量限制，每折验证集仅10例患者，导致性能指标的置信区间较宽，反映了小样本量下性能估计的不稳定性。

讨论部分，研究人员首先阐述NACTRT后CR患者可从观察等待或保肛手术等器官保留策略中获益，强调准确预测治疗反应的临床重要性。研究构建的RF模型AUC为0.79，与Shen等(169例，AUC 0.94)和Delli Pizzi等(72例)的研究结果具有可比性，但样本量较小可能是性能差异的主要原因。与Bulens等结合影像组学与临床特征获得AUC 0.793的研究相比，该研究仅基于5个影像组学特征的模型表现相近，提示影像组学特征本身蕴含丰富预测信息。与Shin等近900例大型回顾性研究(AUC 0.82)及Cantürk等研究(AUC 0.837)相比，该研究RF模型的AUC 0.79处于合理范围。

研究局限性包括：单中心回顾性设计、样本量较小(N=100)、缺乏外部验证、仅采用T₂W MRI而未纳入DWI和表观扩散系数(apparent diffusion coefficient, ADC)等多参数MRI序列。研究人员采用10折分层交叉验证以减轻过拟合风险，并指出内部验证可能存在乐观偏倚。未来计划纳入DWI和ADC图的多参数MRI影像组学特征以提升预测效能。

研究结论部分指出：该研究表明MRI影像组学特征可有效预测接受NACTRT的LARC患者治疗反应，RF分类器显示出最高的准确性和稳定性。这些结果凸显了MRI影像组学与稳健机器学习方法相结合用于个体化反应评估的潜力。所提出的预测模型可作为非侵入性工具，帮助识别适合器官保留治疗策略的LARC患者。然而，其临床实用性和通用性需通过更大样本量的多中心外部验证研究加以确认，方可应用于常规临床实践。