基于多模态影像组学的直肠癌治疗反应预测：CT、MRI与EUS的机器学习模型比较与临床价值探索

　　本文通过整合CT、MRI和EUS多模态影像组学特征，结合剂量学参数与临床数据，运用机器学习算法（包括SVM和LR模型）预测局部晚期直肠癌（LARC）患者对新辅助放化疗（NCRT）的治疗反应。研究显示，EUS影像在预测性能（ACC与AUC）方面表现最优，为LARC个体化治疗策略提供了非侵入性定量评估工具。

　　

Abstract

Purpose

本研究旨在评估基于计算机断层扫描（CT）、磁共振成像（MRI）和腔内超声（EUS）影像提取的组学纹理特征，结合剂量学与临床特征，运用机器学习算法预测直肠癌患者的治疗反应。

Methods

研究纳入84例局部晚期直肠癌（LARC）患者，从感兴趣区域提取组学特征。采用最小绝对收缩与选择算子（Lasso）、最小冗余最大相关（MRMR）及递归特征消除（RFE）进行特征选择。预测模型使用支持向量机（SVM）和逻辑回归（LR）算法，并以准确率（ACC）、受试者工作特征曲线下面积（AUC）、精确度、敏感性和特异性评估性能。

Results

CT影像中，MRMR（原始图像）与RFE（小波滤波）结合LR模型表现最佳（ACC: 0.79; AUC: 0.78）。MRI组学特征中，原始图像采用MRMR与SVM模型预测性能最高（ACC: 0.88; AUC: 0.87）；小波滤波图像中，RFE与LR组合结果最优（ACC: 0.78; AUC: 0.87）。EUS影像中，MRMR与LR模型在原始（ACC: 0.89; AUC: 0.89）和滤波图像（ACC: 0.81; AUC: 0.80）均表现最佳。

Conclusion

研究表明，基于治疗前CT、MRI与EUS影像的组学特征有望准确预测LARC患者的治疗反应。SVM与LR分类器结合MRMR、RFE特征选择算法及小波滤波展现出稳健预测性能，其中EUS成像模态在ACC与AUC指标上表现最为突出。

Introduction

直肠癌是结直肠癌中第二常见的类型，主要治疗手段包括手术、化疗和放疗。局部晚期直肠癌（LARC）的标准治疗通常为新辅助放化疗（NCRT）后接受根治性手术，约15%患者可实现病理完全缓解（pCR），该策略显著提高肿瘤降期并降低复发风险。常用术前分期手段包括CT、MRI、超声及正电子发射断层扫描（PET）。

影像组学作为一种无创工具，可通过量化视觉难以察觉的肿瘤或健康组织特征，辅助生物医学影像分析。其流程包括影像获取与预处理、感兴趣体积分割、定量特征提取与特征降维。组学特征可用于预测治疗反应、肿瘤精准表征及生存结局评估。在放疗中，组学特征分析应用于靶区（GTV）与危及器官（OARs）的自动分割、毒性预测、治疗计划优化及反应评估等多个方面。

既往研究多独立使用FDG-PET、CT、MRI或EUS影像探索LARC放化疗反应与预后，而本研究首次整合三种影像模态的组学特征，结合剂量学与临床数据，运用机器学习预测LARC治疗反应。

Conclusion

我们整合了剂量学参数、临床数据及CT、MRI、EUS多模态影像组学特征，评估了组学模型对接受放疗的LARC患者进行定量评估的潜力，并识别出最具前景的成像模态。结果表明，SVM与LR分类器结合特征选择算法（MRMR与RFE）及小波滤波能有效预测治疗反应。