《Holistic Integrative Oncology》：Machine learning model integrating CT radiomics and clinical blood indicators for auxiliary diagnosis of gastrointestinal stromal tumors
编辑推荐：
目的：开发并验证一种整合术前增强CT影像组学特征与临床血液指标的机器学习模型，用于胃肠道间质瘤（GIST）的辅助诊断。方法：这项回顾性研究收集了甘肃省人民医院2017年1月至2024年12月期间115例GIST患者及202例非GIST患者（含胃癌、胃息肉等）的
目的：开发并验证一种整合术前增强CT影像组学特征与临床血液指标的机器学习模型，用于胃肠道间质瘤（GIST）的辅助诊断。方法：这项回顾性研究收集了甘肃省人民医院2017年1月至2024年12月期间115例GIST患者及202例非GIST患者（含胃癌、胃息肉等）的数据，按7:2:1比例随机划分为训练集、验证集与测试集。研究人员从42项血液指标中通过单因素与多因素logistic回归筛选出临床特征；从增强CT图像提取的851个影像组学特征中通过最小绝对收缩与选择算子（LASSO）回归筛选关键特征。采用6种机器学习算法分别构建临床模型、影像组学模型及联合模型，采用受试者工作特征曲线下面积（AUC）、准确率、灵敏度、特异度等指标评估性能，并通过SHapley加性解释（SHAP）值、森林图及决策曲线分析（DCA）评估模型可解释性与临床效用。结果：多因素分析确定5项独立预测指标：直接胆红素（DBIL）、碱性磷酸酶（ALP）、癌胚抗原（CEA）、糖类抗原19-9（CA199）及胃蛋白酶原I/II比值（PG I/PG II）；LASSO回归筛选出4个影像组学特征，包括球形度（Sphericity）、表面体积比（SurfaceVolumeRatio）等。测试集中，LightGBM影像组学模型与LightGBM联合模型的AUC分别达0.964与0.959，临床模型AUC为0.745。SHAP分析显示球形度对联合模型决策贡献最大；森林图证实所有入选特征均为显著预测因子，但特征重要性排序因解释方法而异；DCA表明两种模型在多种决策阈值下均能提供显著临床净获益。结论：本研究成功构建了基于增强CT影像组学与血液指标的机器学习模型，其中影像组学模型与联合模型在GIST良恶性鉴别中表现出高诊断准确性，有望成为有效的术前辅助诊断工具，支持临床决策。多方法联合解释深入揭示了模型决策机制，为该技术的临床转化奠定了坚实基础。
研究背景与意义
胃肠道间质瘤（Gastrointestinal Stromal Tumors, GIST）是消化道最常见的间叶源性肿瘤，虽仅占胃肠道恶性肿瘤的0.1%–3%，但具有潜在恶性与高复发风险，严重威胁患者生命健康。GIST临床表现缺乏特异性，早期诊断困难，约半数患者初诊时已发生转移，错失根治手术机会。当前GIST诊断依赖内镜、计算机断层扫描（Computed Tomography, CT）及病理活检，但内镜与传统CT对小GIST检出率低，难以准确评估生物学行为；病理活检虽为“金标准”，却属有创操作，耗时且存在肿瘤播散风险。近年来，影像组学通过高通量提取医学图像定量特征，可深度挖掘肿瘤内部异质性信息，在多种肿瘤诊断中展现出潜力，但在GIST诊断中的应用仍处于探索阶段。同时，临床常规血液指标的诊断价值尚未被充分挖掘，且缺乏将影像组学与系统性血液指标结合构建GIST智能辅助诊断模型的研究。因此，本研究旨在通过多模态数据融合，克服传统诊断方法的局限性，为临床提供可靠、透明的新型辅助诊断工具。
关键技术方法
研究人员开展了一项单中心回顾性研究，样本队列来源于甘肃省人民医院2017年1月至2024年12月收治的115例经术后病理确诊的GIST患者（病例组）与202例同期非GIST消化系统疾病患者（对照组，含胃癌、结直肠癌、胃息肉等）。纳入标准为年龄25–85岁、术前两周内于该院行腹部增强CT检查且临床资料完整；排除合并其他原发恶性肿瘤、既往胃肠道手术史或严重基础疾病影响血液指标、CT图像质量差者。研究获得医院伦理委员会批准，豁免知情同意。技术流程涵盖临床血液指标筛选、CT图像预处理与影像组学特征提取、多算法模型构建与验证、模型可解释性及临床效用评估四个关键环节。
研究结果
3.1 患者基线特征
研究共纳入317例患者，训练集221例、验证集64例、测试集32例。GIST与非GIST组在年龄、身高、体重等基线特征上无显著差异，数据集划分合理，组间可比性良好。
3.2 特征筛选结果
临床特征方面，单因素分析初筛11项差异显著的血液指标，多因素logistic回归最终确定DBIL、ALP、CEA、CA199、PG I/PG II为GIST独立预测因子，GIST患者DBIL与PG I/PG II水平高于非GIST患者，ALP、CEA、CA199水平更低。影像组学特征方面，经组内相关系数（Intraclass Correlation Coefficient, ICC）与LASSO回归筛选，从初始851个特征中保留球形度（系数0.147）、RunVariance.7（系数0.078）、表面体积比（系数-0.022）、LongRunEmphasis.7（系数0.005）共4个特征用于建模。
3.3 模型诊断性能
各类型模型中，LightGBM影像组学模型测试集AUC最高（0.964），LightGBM联合模型次之（0.959），临床模型效能有限（AUC 0.745）。LightGBM与神经网络（Neural Network, NN）算法在构建影像组学及联合模型时表现最稳定；决策树（Decision Tree, DT）与LightGBM模型在训练集存在明显过拟合（AUC=1.000）。
3.4 临床决策曲线分析
在0.1–0.7的临床相关决策阈值范围内，LightGBM影像组学模型与联合模型均提供显著且相近的临床净获益，曲线远高于“全部干预”与“全部不干预”参考线；在常用阈值0.4时，每100例患者中使用任一模型较“全部不干预”策略可多获得约35例净获益。
3.5 模型解释与特征贡献分析
对LightGBM联合模型的SHAP分析显示，球形度的平均|SHAP值|最高（2.68），是对预测贡献最大的特征，其次为表面体积比，5项临床特征贡献相对较低。特征密度散点图表明，球形度高值与正SHAP值相关，低值与负SHAP值相关。森林图则显示所有9项特征均为GIST显著预测因子，其中CEA标准化系数绝对值最大（-0.315），呈强负向影响；球形度（系数0.147）与RunVariance.7（系数0.078）为显著正向预测因子，表面体积比（系数-0.022）为显著负向预测因子。
讨论与结论
本研究首次系统整合全面血液指标与CT影像组学构建GIST辅助诊断模型，证实影像组学特征已包含充足判别信息，加入血液指标未带来显著提升，可能与GIST本身具有高度特异性影像特征及测试集样本量较小有关。研究通过DCA将统计性能转化为临床实用价值，并创新性地结合SHAP分析与森林图多视角解释模型，发现两种方法揭示的特征重要性存在差异——SHAP值反映特征在具体预测中的边际贡献（含交互作用），森林图系数反映控制混杂后的净效应，提示多方法联合解释可避免单一指标导致的误读。研究存在单中心回顾性设计、样本量有限、对照组未纳入平滑肌瘤等最难鉴别的间叶源性肿瘤、ROI勾画存在主观性等局限，未来需通过多中心大样本前瞻性研究进一步验证优化。
结论部分明确指出，基于增强CT影像组学与临床血液指标的机器学习模型对GIST具有高诊断价值，其中LightGBM影像组学模型与联合模型表现卓越，决策过程可解释性强，有望成为有效的无创术前辅助诊断工具，助力临床决策，改善患者预后。该研究发表于《Holistic Integrative Oncology》。
