结直肠癌具有高患病率、高死亡率的特点^[1]，约30%为直肠癌^[2]，大多数病例在发现时已处于局部晚期[美国癌症联合委员会（American Joint Committee on Cancer, AJCC）分期T3～T4和/或N⁺]^[3]，即局部进展期直肠癌（locally advanced rectal cancer, LARC）。LARC的标准治疗方式是先行辅助放化疗（neoadjuvant chemoradiotherapy, nCRT），再行根治手术，然后行术后放化疗，虽然nCRT可以提高外科手术的可行性，减少手术并发症^[3]，然而仍有约40%的根治性手术患者会发生吻合口瘘、二次手术、排尿排便及性功能障碍等并发症，严重影响生活质量^[4]。不同患者对nCRT的治疗反应差异较大，约10%～25%的患者可以达到病理完全缓解（pathological complete response, pCR）^[5]，即病理学显示没有残余肿瘤细胞，此类患者局部控制效果和远期生存质量均较好^[6]。为了减少手术并发症和提高器官保留率，对于达到pCR的患者可采取“观察和等待策略”^[7]。目前确诊pCR的唯一方式为术后病理，临床通常通过直肠指诊、肠镜、传统影像学方法评估临床完全缓解（clinical complete response, cCR）来代替pCR，但是，目前国际上对于cCR尚无统一标准^[8]。如果能在放疗前精准预测哪些患者有望达到pCR，将可为这类患者制订个性化的治疗方案，如改变放疗剂量、调整化疗方案及延长放疗后等待时长等^[9]。

       影像组学可以从医学图像中高通量挖掘定量图像特征^[10]，在肿瘤研究中有广泛的应用^{[11, 12, 13]}，其流程包括图像分割、特征提取、特征筛选与模型构建与验证等，多数先前研究仅提取了病灶的影像组学特征，实际上瘤周组织也包含与肿瘤预后相关的信息^{[14, 15]}。直肠癌病灶周围的肠壁、系膜脂肪与肿瘤的生长、转移等生物学行为高度相关。因此本研究假设肿瘤累及的肠段、系膜脂肪亦包含与预后相关的重要信息，提取了病灶、包含病灶的肠段、系膜脂肪的VOI特征，并比较了基于上述特征建立的不同影像组学模型在预测直肠癌新辅助治疗pCR的价值。

1 材料与方法

1.1 一般资料

       本回顾性研究遵守《赫尔辛基宣言》，并经北京大学第三医院伦理委员会批准，免除受试者知情同意，批准文号：IRB00006761-M2022474。在医院信息系统（hospital information system, HIS）检索2013年1月到2020年12月间在北京大学第三医院诊断为LARC并接受nCRT+根治手术的患者，所有患者在治疗前1～2周进行了直肠MRI平扫检查，收集相关临床、病理及影像资料。纳入标准：（1）组织病理学检查证实为直肠癌，肿瘤下缘距离肛门边缘≤15 cm；（2）术前诊断为LARC；（3）具有治疗前MRI检查及术后病理结果。排除标准：（1）图像伪影重；（2）MR图像上病灶显示不完整或所需序列缺失；（3）在本次nCRT之前有盆腔放疗或全身化疗史。最终纳入了38例pCR患者病例，为了平衡数据，从143例非pCR患者中随机纳入38例非pCR患者。共76例患者病例纳入研究，其中男55例，女21例，年龄（59±12）岁。

1.2 检查方法

       MRI扫描采用GE Healthcare Discovery 750 3.0 T（GE Medical Systems，美国）扫描仪和8通道颈胸腰椎联合相控阵线圈进行。所有患者在检查前使用开塞露（20 mL甘油）清洁肠道。扫描序列包括斜横轴面（垂直于病变肠管长轴）高分辨率T2WI和DWI序列，T2WI扫描参数为：重复时间（repetition time, TR）4575 ms，回波时间（echo time, TE）97.2 ms，视野（field of view, FOV）20 cm×20 cm，矩阵320×224，层厚4.0 mm，层间距0.8 mm，总扫描时间217 s。DWI扫描参数为：TR 4000 ms，TE 61.5 ms，FOV 36 cm×28 cm，矩阵160×160，层厚3.0 mm，层间距0.3 mm，b=0、1000 mm²/s，总扫描时间56 s。

1.3 治疗方案及病理学评估

       患者选择适形调强放疗，放射野包括直肠肿瘤及引流区域。放疗剂量：单次1.8～2.0 Gy/d，总疗程约5周，总剂量45～50 Gy（每周5次，共25次）。放疗期间同步口服卡培他滨[1600 mg/（m²·d），第1～14天，第22～35天，恒瑞医药集团有限公司，中国]化疗。在放疗结束后8～10周进行手术，术后病理根据AJCC肿瘤消退等级（tumor regression grade, TRG）评估^[16]，分为0～3级：0级（完全消退），无肿瘤细胞残留；1级（中度消退），单个或者小灶肿瘤细胞残留；2级（轻度消退），肿瘤残留、间质见大量纤维化；3级（无消退），广泛肿瘤残留、无或少量肿瘤细胞坏死。其中AJCC-TRG 0级定义为pCR组，AJCC-TRG 1～3级定义为非pCR组。

1.4 图像分割与特征提取

       将所有患者的T2WI图像导入uAI Research Portal（V730，上海联影智慧医疗有限公司，中国），在1位有16年腹部诊断经验的放射科医师和1位16年经验的放疗科医师的指导下，由2位具有3年和2年经验的放射科医师分割感兴趣容积（volume of interest, VOI），两位医师对LARC患者临床及病理信息均不知情，VOI分割方式如下（图1）：（1）病灶VOI分割时以DWI高信号区域作为参考，在高分辨率T2WI序列上逐层勾画病灶的轮廓；（2）肠段VOI分割时在高分辨T2WI序列上逐层勾画包含肿瘤的肠段轮廓，注意包含浆膜外的肿瘤成分，避开淋巴结和血管；（3）系膜脂肪VOI分割时在高分辨T2WI序列逐层勾画直肠系膜脂肪成分，近端为腹膜反折在直肠的附着处，远端为直肠末端。勾画完成后uAI平台提取影像组学特征。

       提取的特征包括如下两类：（1）原始特征，包括一阶特征（first order）、形状特征（shape）、纹理特征[灰度共生矩阵（gray level cooccurrence matrix, GLCM）、灰度级长度矩阵（gray level run length matrix, GLRLM）、灰度级形状矩阵（gray level size zone matrix, GLSZM）、灰度级依赖矩阵（gray level dependence matrix, GLDM）和相邻灰度差分矩阵（neighborhood gray-tone difference matrix, NGTDM）]；（2）滤波器特征，包括小波变换（wavelets）、对数（logarithm）、梯度（gradient）等方法处理得到的可以完全重复的特征。每个VOI提取了2264个影像组学特征，并进行Z-score归一化，计算公式为Z=（x–μ）/σ，其中x表示标准化的随机变量，μ代表数据集的均值，σ代表数据的标准差。

点击查看大图

图1  女，76岁，局部进展期直肠癌新辅助放化疗后非病理完全缓解。1A为直肠高分辨率T2WI斜轴位图像；1B～1D分别为病灶、肠段、系膜脂肪感兴趣容积（volume of interest, VOI）分割示例图。
Fig. 1  Female, 76-year-old patient with non pathological complete response (pCR) of neoadjuvant chemoradiotherapy (nCRT) for locally advanced rectal cancer (LARC). 1A is a high-resolution T2WI oblique image of rectum, and 1B-1D are volume of interest (VOI) segmentation examples of lesion, rectal segment and mesangial fat, respectively.

1.5 观察者间者间的一致性检验

       从所有病例中抽取30%，分别由两位医师分别完成VOI分割并提取特征，一致性检验采用组间相关系数（inter-class correlation coefficient, ICC）作为度量指标，对两位医师提取的影像组学特征进行ICC检验，ICC＞0.8的特征被认为具有良好的一致性。

1.6 特征筛选与预测模型的构建及评价

       采用五折交叉验证法进行模型的训练与测试。将所有样本随机分为数量相近的5份，其中4份用于模型的训练，剩余1份用于训练模型的测试，如此循环5次，最终通过5次试验后取评价指标的平均值来评估模型的泛化能力。为排除冗余特征、减少模型复杂度及提高模型效能，分别采用方差阈值法、单变量选择法及最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）进行特征筛选，分别采用逻辑回归（logistics regression, LR）、二次判别分析（quadratic discriminant analysis, QDA）、支持向量机（support vector machine, SVM）分类器建立基于病灶、肠段、系膜脂肪、combine1（联合病灶＋系膜脂肪）、combine2（联合肠段+系膜脂肪）特征的模型，采用受试者工作特征（receiver operating characteristic, ROC）曲线分析各个模型在训练集和测试集中的表现，并通过平均曲线下面积（area under the curve, AUC）、召回率、精确率、F1分数（召回率与精确率的调和平均值）、敏感度、特异度和准确率及相应指标的95%置信区间（confidence interval, CI）来评价每个模型的效能，使用Hosmer-Lemesow检验进行模型的拟合优度检验。

1.7 统计学处理

       采用SPSS 27.0（IBM SPSS Inc.,美国）、R软件（V4.1.1，http://www.rproject.org，新西兰奥克兰大学）进行统计学分析。采用Kolmogorov-Smirnov方法对计量资料进行正态性检验，符合正态分布的数据用均数±标准差（x¯±s）表示，定量资料采用独立样本t检验，计数资料用例数表示，两组间比较采用χ²检验。P＜0.05表示差异具有统计学意义。

2 结果

2.1 临床资料

       入组的76例直肠癌患者病例中，pCR组为38例（男27例，女11例），非pCR组为38例（男28例，女10例）。两组间的所有临床资料差异均无统计学意义（表1）。

点击查看表格

表1  入组患者的临床资料
Tab. 1  Clinical statistics of patients enrolled in the groups

2.2 观察者间的一致性检验

       基于两位医师提取影像组学特征的一致性检验分析结果，病灶、肠段、系膜脂肪特征的ICCmean分别为0.81、0.88、0.84，保留ICC＞0.8的特征，病灶、肠段、系膜脂肪稳定特征数分别为1506、1729和1633个（图2）。

点击查看大图

图2  观察者间一致性检验示意图。虚线以上表示特征具有良好一致性（ICC＞0.8），病灶、肠段、系膜脂肪稳定特征数分别为1506、1729和1633个。
Fig. 2  Inter-observer consistency evaluation among observers. The area above the dotted line indicates that the features have good consistency (ICC＞0.8), and the number of stable features of lesions, rectal segments and mesangial fat is 1506, 1729 and 1633, respectively.

2.3 特征筛选

       采用方差阈值法，剔除方差＜0.8的特征，采用Select K Best方法，保留pCR组与非pCR组差异最显著的100个特征，最后采用LASSO回归算法，筛选出预测pCR最重要的特征。经过特征筛选后，最终用于模型构建的病灶、肠段、系膜脂肪、combine1、combine2特征数分别6、7、7、8、7个。

2.4 不同影像组学模型的比较

       分别使用LR、QDA及SVM分类器构建基于病灶、肠段、系膜脂肪、combine1、combine2特征的模型，比较测试集中各模型的平均AUC值与准确率（图3），以测试集的平均AUC值为参考，筛选每组的最优分类器，各组特征最优分类器与相应模型评价指标如表2所示。在测试集中，病灶、肠段、系膜脂肪、combine1、combine2最优分类器建模的平均AUC值分别为0.752、0.729、0.850、0.857、0.843，准确率分别为69.8%、66.4%、78.8%、82.3%、79.3%。其中combine1特征的LR模型效能最佳，其平均AUC、F1分数、敏感度、特异度、准确率及其95% CI分别为0.857（0.647～1.000）、81.2%（59.5%～96.0%）、78.2%（36.7%～95.5%）、86.4%（47.0%～98.7%）、82.3%（66.3%～95.7%）。Hosmer-Lemeshow检验验证了该模型预测值和实际临床观察值之间存在一致性（五折交叉验证显示P值分别为0.322、0.140、0.859、0.487、0.434）。该模型训练集与测试集的ROC曲线如图4所示，用于建立该模型的7个特征如表3所示。

点击查看大图

图3  在测试集中采用病灶、肠段、系膜脂肪、combine1、combine2特征建立的不同分类器模型的平均AUC（3A）与准确率（3B）的散点图。
图4  基于combine1特征的LR模型预测pCR的ROC曲线。4A、4B分别为训练集与测试集五折交叉验证的ROC曲线及融合ROC曲线，训练集平均AUC为0.946，测试集平均AUC为0.857。combine1：病灶+系膜脂肪；combine2：肠段+系膜脂肪；AUC：曲线下面积；LR：逻辑回归；pCR：病理完全缓解；ROC：受试者工作特征。
Fig. 3  In the test set, scatterplots of average AUC (3A) and accuracy (3B) of different classifier models based on the features of lesion, rectal segment, mesangial fat, combine1 and combine2.
Fig. 4  The ROC curve of LR model based on combine1 features predicting pCR. 4A and 4B are ROC curves and fusion ROC curves of 5-fold cross-validation in training and test set, respectively. The average AUC of training set is 0.946, and that of test set is 0.857. combine1: lesions+mesangial fat; combine2: rectal segments+mesangial fat; AUC: area under the curve; LR: logistics regressio; pCR: pathological complete response; ROC: receiver operating characteristic.

点击查看表格

表2  在训练集和测试集中各组最优分类器与相应模型的诊断性能
Tab. 2  Diagnostic performance of optimal classifier and corresponding models in training and test set

点击查看表格

表3  病灶+系膜脂肪模型LASSO回归筛选的8个λ系数非零特征
Tab. 3  Seven characteristics (λ≠0) selected by LASSO regression in lesions+mesangial fat model

3 讨论

       本研究基于不同的VOI特征及分类器，建立了多个影像组学模型来预测LARC患者nCRT后能否实现pCR，其中联合病灶及系膜脂肪特征建立的LR模型具有优越的预测性能，其AUC高达0.857，准确率达82.3%，使用该模型可以较准确地识别哪些患者有望达到pCR，以便为其制订个性化的治疗方案，提高器官保存率。目前基于影像组学预测LARC患者nCRT疗效研究大多仅在多序列MRI上分割原发病灶，本研究首次考虑了肿瘤所在的肠段、直肠系膜脂肪的特征，发现联合病灶和系膜脂肪、联合肠段及系膜脂肪特征模型均比单一的病灶特征模型预测效能更好，说明不同的VOI选择可以多角度提供肿瘤及其生长环境的信息，为临床治疗决策提供更充足的依据。影像组学模型还能减少临床评估nCRT疗效的主观性，避免过度医疗，改善患者结局。

3.1 影像组学在预测pCR中的价值分析

       既往有很多研究采用临床因素来预测pCR，包括治疗前分期、影像学测量、血液学参数等^{[17, 18, 19, 20]}，但是这些研究结果不一，可重复性较差。影像组学可以挖掘图像的高维信息，在肿瘤的预后预测已有大量的研究，组织的病理变化在图像的形状、信号、纹理方面的微小差异可以通过影像组学特征进行量化。既往研究常使用多序列特征联合预测pCR^{[21, 22]}，优点是比单一序列包含更多的信息，缺点是VOI分割的时间、人力成本也相应增加，模型的临床适用较困难。我们的研究目标是尽可能从单一序列挖掘更多的影像信息，因此本研究仅使用了高分辨率T2WI序列。T2WI是直肠癌治疗前评估的基础序列，肿瘤及瘤周组织的大部分信号改变均可以从T2WI序列观测到，其信号变化与组织病理学的改变有高度的相关性。与DWI序列相比，T2WI序列分辨率更高。Shin等^[21]的研究也表明，联合T2WI和DWI序列建模并不一定比单独使用更好。本文的combine1模型选取了8个特征，包括3个病灶特征和5个系膜脂肪特征，且系膜脂肪特征的系数更大，说明系膜脂肪的特征对于LARC患者对nCRT的治疗反应预测具有更高的价值。

3.2 不同影像组学方法选择对预测模型效能的影响

       近年来瘤周组织的影像组学特征越来越受到学者的关注。研究表明，瘤周组织特征在乳腺癌、肺癌、直肠癌的预后预测方面均有一定的价值^{[23, 24, 25, 26]}。直肠癌的瘤周组织包括肿瘤周围的肠壁、血管、淋巴管及直肠系膜脂肪，我们提取了两个区域瘤周组织的特征，包括肿瘤所在的肠段、直肠系膜脂肪组织。肿瘤浸润肠壁的深度、是否突破浆膜与肿瘤的分期高度相关，而直肠壁和肿瘤的营养摄入、代谢物的排出必须要经过直肠系膜脂肪组织的血管和淋巴管，其中血管、淋巴管是直肠癌转移的重要途径，肿瘤周围脂肪细胞也可以被各种因素直接或间接地“改造”，从而可以分泌生长因子、脂肪素和细胞外基质重塑因子等，这些因素将影响肿瘤的生物学行为，并且与治疗抵抗相关^{[27, 28]}。Delli等^[29]提取了直肠癌“肿瘤核心”和“肿瘤边界”特征进行建模，其中肿瘤边界包含部分系膜脂肪组织，发现联合肿瘤核心和肿瘤边界特征的模型效能高于单一区域特征模型，说明系膜脂肪组织中包含了病灶以外的信息，可以提高模型预测的效能，与我们的研究结果相符，而我们的模型效能高于该研究的模型，可能的原因是我们的系膜脂肪VOI包含了整个直肠系膜间室的区域，包括其中的血管与淋巴结，包含了更多的信息。Zhu等^[30]的研究表明，基于CT病变肠段VOI特征的影像组学模型可以有效鉴别克罗恩病和肠结核（AUC=0.93），我们的研究首次在直肠癌的预后预测研究中使用肠段VOI，然而单独使用肠段特征预测pCR的模型表现并不好，联合肠段VOI特征也未能提升联合模型的效能，可能的原因是肠段VOI包含了大量肠腔内容物，如果能够做规范的肠道准备，可能会提升肠段VOI特征的预测价值。

       既往研究中往往只使用一种分类器来进行建模，而对性能表现最佳的分类器没有共识，为了评估不同分类器的预测性能，我们分别使用了LR、SVM和QDA三种常用的分类器进行建模，其中LR模型广泛应用于二分类领域，分类时计算资源小，可以直观地观测样本的预测概率，SVM分类器适用于小数据集和二分类变量的分析，应用适当的分类器可能有助于提高分类器的性能。我们采用AUC、F1分数、敏感度、特异度及准确率来评估不同模型的性能，结果表明，使用不同的特征时性能最佳的分类器各不相同，与Wang等^[31]的研究相符，这可能与数据集本身的特征相关。因此在利用不同影像组学特征建模时，尝试利用不同的分类器进行建模，可以提高模型的表现。

3.3 本研究的局限性

       本研究存在一些不足：第一，本研究是一项回顾性研究，仅入组了进行手术的患者，而临床实际情况存在一些达到cCR后采取保守治疗的患者，这部分患者未入组，因此存在一定的选择偏倚；第二，本研究为单中心研究，没有进行外部验证，模型的泛化能力需要进一步验证；第三，本研究的样本量偏少，因此我们采取了“五折交叉验证”的方法说明样本的每一部分数据均可用于模型的训练，证明了模型的稳定性，后续可采取多中心研究或增大样本量的方式，增加模型的临床适用性；第四，由于盆腔脏器MR信号复杂，目前技术难以实现肿瘤、肠段、系膜脂肪的自动分割，所有VOI均为手动分割，因此存在一定的主观性，后续可训练自动分割各VOI的模型，提高可重复性。

       综上所述，基于治疗前MRI影像组学方法预测LARC患者nCRT后pCR有一定的价值，未来可以增大样本量或进行多中心研究，进一步提高pCR预测的准确性，为临床治疗决策提供更充足的依据，以改善患者结局。