基于多模态MRI可解释模型预测局部进展期直肠癌患者新辅助治疗疗效

分享到微信朋友圈

• 临床研究 •

李雪萌周燕飞王傲阳赵敏王璟江丽韦炜高飞

本文引用格式：李雪萌, 周燕飞, 王傲阳, 等. 基于多模态MRI可解释模型预测局部进展期直肠癌患者新辅助治疗疗效[J]. 磁共振成像, 2026, 17(1): 59-68, 122. DOI:10.12015/issn.1674-8034.2026.01.009.

摘要

[摘要] 目的建立基于多模态MRI影像组学及临床-影像表型特征的预测模型，评价其治疗前预测局部进展期直肠癌（locally advanced rectal cancer, LARC）新辅助放化疗（neoadjuvant chemoradiotherapy, nCRT）疗效的效能及临床应用价值，并通过Shapley分析赋予多模态影像组学模型可解释性。材料与方法 回顾性分析2018年1月至2024年12月中国科学技术大学附属第一医院（中心1）、中国科学院合肥肿瘤医院（中心2）共172例接受nCRT并进行手术切除的LARC患者，收集临床病理资料及nCRT前MRI图像资料。根据术后病理结果，按照第8版AJCC直肠癌肿瘤退缩分级（tumor regression grading, TRG）标准，将TRG 0~1级的患者分为反应良好（good responders, GR）组（n=77），TRG 2~3级分为反应不良（poor responders, PR）组（n=95）。中心1的患者按7∶3的比例随机分为训练集（n=92）和内部验证集（n=40），中心2的患者作为外部验证集（n=40）。选择高分辨率轴位T2WI、轴位弥散加权成像（diffusion-weighted imaging, DWI）、矢状位对比增强T1WI（contrast-enhanced T1WI, CE-T1WI）序列沿肿瘤边缘勾画感兴趣区（region of interest, ROI），对其进行图像预处理后提取组学特征。采用Spearman相关性分析及最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）算法进行特征降维，筛选最优特征。通过极限梯度提升（eXtreme gradient boosting, XGBoost）机器学习分类器分别获取T2WI、DWI、CE-T1WI、多模态（T2WI、DWI、CE-T1WI）影像组学评分（radiomics score, Rad-score），分别构建T2WI、DWI、CE-T1WI、多模态影像组学模型；通过单因素、多因素logistic回归筛选临床-影像表型独立预测因子构建临床-影像表型模型。最后，选择临床-影像表型独立预测因子联合多模态影像组学Rad-score建立列线图模型。受试者工作特征（receiver operating characteristic, ROC）曲线用于各模型预测效能的评估，其中，表现最优的影像组学模型进一步使用Shapley算法进行解释。结果单因素及多因素logistic回归分析显示，年龄、肿瘤长径、nCRT方案可独立预测疗效，临床-影像表型模型在训练集、内部验证集、外部验证集的ROC曲线下面积（area under the curve, AUC）为0.80（95% CI：0.75~0.85）、0.73（95% CI：0.68~0.78）、0.60（95% CI：0.55~0.65）。最佳影像组学模型为基于T2WI、DWI、CE-T1WI序列联合构建的多模态模型，其在训练集、内部验证集、外部验证集的AUC分别为0.98（95% CI：0.95~1.00）、0.95（95% CI：0.91~0.99）、0.86（95% CI：0.81~0.91）。列线图模型在训练集的AUC为0.99（95% CI：0.97~1.00）、精确度、敏感度及特异度分别为98%、95%、98%；在内部验证集中分别为0.98（95% CI：0.95~1.00）、98%、98%、98%；在外部验证集中分别为0.88（95% CI：0.83~0.93）、88%、87%、87%。DeLong检验显示列线图模型的效能显著优于临床模型、影像组学模型（P<0.05）。Shapley分析显示DWI序列中wavelet-LHL_glszm_SmallAreaEmphasis为多模态影像组学模型最重要的特征。结论基于临床-影像表型及多模态磁共振影像组学特征的列线图模型可作为一种准确、无创的方法预测直肠癌患者nCRT疗效，Shapley算法可提供影像组学模型可解释性，经独立的外部队列验证，进一步证明该模型可用于指导临床诊疗及决策。

[Abstract] Objective To establish a prediction model based on multiparametric MRI radiomics and clinical-radiology features, and evaluate its efficacy in predicting neoadjuvant chemoradiotherapy (nCRT) in patients with locally advanced rectal cancer. The Shapley algorithm was employed to enhance model interpretability.Materials and Methods A retrospective analysis was conducted on 172 patients who received nCRT and surgery from the First Affiliated Hospital of the University of Science and Technology of China (center 1) and the Hefei Cancer Hospital of the Chinese Academy of Sciences (center 2), and Clinical and MRI data were analyzed. According to the 8th edition AJCC tumor regression grading (TRG) criteria for rectal cancer, patients with TRG 0-1 were classified as good responders (GR), while those with TRG 2-3 were classified as poor responders (PR) based on postoperative pathological results. The GR group comprised 77 patients, and the PR group comprised 95 patients. Patients from center 1 were randomly divided into a training set (n = 92) and an internal validation set (n = 40), while the patients from center 2 were utilized as an independent external validation set (n = 40). High-resolution axial T2WI, diffusion-weighted imaging (DWI) and sagittal contrast-enhanced T1WI (CE-T1WI) sequences were selected to delineate the region of interest (ROI) along the tumor margins. PyRadiomics software was used to extract all radiomics features after image preprocessing. Spearman correlation analysis and least absolute shrinkage and selection operator (LASSO) analysis were used to retain the radiomics features strongly associated with the efficacy of nCRT. T2WI, DWI, CE-T1WI and multiparametric radiomics score (Rad-score) were obtained by eXtreme gradient boosting (XGBoost) classifier. The independent clinical-radiology predictors were screened by single-multiple logistic regression to build the clinical-radiology model, and the multiparametric model Rad-score combined with independent clinical-radiology predictors was selected to build the nomogram model. The performance of the model was evaluated using receiver operating characteristic (ROC) curves. The best-performing radiomics model was explained by the Shapley algorithm.Results Univariate and multivariate logistic regression analysis identified age, tumor longest diameter, and neoadjuvant treatment modalities as independent predictors for treatment efficacy. The clinical-radiology model demonstrated the area under the curve (AUC) of 0.80 (95% CI: 0.75 to 0.85) in the training set, 0.73 (95% CI: 0.68 to 0.78) in the internal validation set, and 0.60 (95% CI: 0.55 to 0.65) in the external validation set. Among radiomics models, the multiparametric radiomics model (T2WI + DWI + CE-T1WI) achieved optimal performance, with AUCs of 0.98 (95% CI: 0.95 to 1.00), 0.95 (95% CI: 0.91 to 0.99), 0.86 (95% CI: 0.81 to 0.91) in the training, internal validation, and external validation sets, respectively. The nomogram model achieved the best predictive performance. The AUC, accuracy, sensitivity, and specificity of the training set of nomogram model were 0.99 (95% CI: 0.97 to 1.00), 98%, 95%, and 98%, respectively. The internal validation sets were 0.98 (95% CI: 0.95 to 1.00), 98%, 98% and 98%, respectively. The external validation sets were 0.88 (95% CI: 0.83 to 0.93), 88%, 87% and 87% respectively. DeLong test indicated that the nomogram model's performance was superior to the clinical model and the radiomics models (P < 0.05). Shapley analysis revealed that wavelet-LHL_glszm_SmallAreaEmphasis in DWI sequence was the most important feature in the radiomics model.Conclusions The nomogram based on multiparametric MRI radiomics and clinical-radiology features may be used as an accurate and non-invasive method to predict the efficacy of nCRT in rectal cancer patients, and the Shapley algorithm can provide interpretability of radiomics model. This nomogram has been validated using an external validation set, suggesting its potential utility of providing important guidance for clinical diagnosis and treatment decision-making.

[关键词] 局部进展期直肠癌；新辅助放化疗；磁共振成像；多模态；影像组学；列线图；可解释性

[Keywords] locally advanced rectal cancer；neoadjuvant chemoradiotherapy；magnetic resonance imaging；multiparametric；radiomics；nomogram；interpretability

作者信息

李雪萌 ¹ 周燕飞 ² 王傲阳 ³ 赵敏 ³ 王璟 ³ 江丽 ⁴ 韦炜 ⁵ 高飞 ^{1,
5*}

¹ 蚌埠医科大学研究生院，蚌埠　233030

² 中国科学院合肥肿瘤医院医学影像中心，合肥　236000

³ 皖南医学院研究生院，芜湖　241000

⁴ 池州市人民医院病理科，池州　247000

⁵ 中国科学技术大学附属第一医院（安徽省立医院）影像科，合肥　230001

通信作者：高飞，E-mail：15956912758@163.com

作者贡献声明：高飞、韦炜设计本研究的方案，对稿件的重要内容进行了修改；李雪萌起草和撰写稿件，获取、分析或解释本研究的数据；周燕飞、王傲阳、赵敏、王璟、江丽获取、分析或解释本研究的数据，对稿件的重要内容进行了修改；韦炜、李雪萌、江丽获得了安徽省重点研究与开发计划项目的资助；高飞、李雪萌、王傲阳、赵敏获得了北京医学奖励基金项目的资助；韦炜、李雪萌、王璟获得了中国科学技术大学附属第一医院（安徽省立医院）医学人工智能联合基金项目的资助；全体作者都同意发表最后的修改稿，同意对本研究的所有方面负责，确保本研究的准确性和诚信。

出版信息

基金项目： 安徽省重点研究与开发计划项目 2022e07020007 北京医学奖励基金项目 YXJL-2025-0483-0275 中国科学技术大学附属第一医院（安徽省立医院）医学人工智能联合基金项目 MAI2023C006

收稿日期：2025-07-10

接受日期：2026-01-06

中图分类号：R445.2 R735.37

文献标识码：A

DOI: 10.12015/issn.1674-8034.2026.01.009

正文

0 引言

结直肠癌是消化系统最常见的恶性肿瘤之一。最新全球癌症统计报告显示，结直肠癌的发病率和死亡率分别位居第三位与第二位，其中约39%为直肠癌^[¹^]。中国结直肠癌的发病率及死亡率占所有恶性肿瘤的10.7%及9.3%^[²^]。约70%的直肠癌患者一经确诊即为局部进展期直肠癌（locally advanced rectal cancer, LARC）。LARC患者预后较差，五年生存率为50%~80%^[³^,⁴^,⁵^]，对于这类患者的标准治疗方式是新辅助放化疗（neoadjuvant chemoradiotherapy, nCRT）联合全直肠系膜切除术（total mesorectal excision, TME）^[⁶^]。然而，直肠癌具有高度异质性，不同患者对nCRT的疗效存在显著差异，约50%~60%的患者在治疗后可降低原发肿瘤分期，约15%~38%的患者术后的病理标本中没有肿瘤细胞残留，即达到病理完全缓解（pathological complete response, pCR）^[⁷^]。新的治疗方案指出对于反应良好者（good responders, GR）可采取“观察-等待”策略，从而保留器官和直肠反射弧，减少不必要的手术创伤和相应并发症风险^[⁸^,⁹^]；反应较差者不能从nCRT中获益并且会出现腹泻、恶心、感染等治疗毒性反应，建议及早进行TME手术并根据术后病理结果进一步制定诊疗方案^[¹⁰^]。因此，早期预测患者对nCRT治疗反应有助于临床制定个性化治疗方案。MRI技术具有良好的软组织分辨率，可用于评估肿瘤浸润深度、淋巴结转移、直肠系膜筋膜和壁外血管受侵情况。先前研究表明，基于临床及MRI影像特征可预测直肠癌nCRT疗效，然而其准确性较低^[¹¹^]。影像组学通过在医学影像图像中提取高维数据的方法，揭示肿瘤异质性等难以观察的信息，在预测肿瘤的生物学行为、治疗疗效和预后等方面显示出巨大的应用潜能，已广泛应用于直肠癌疗效预测^[¹²^,¹³^]，然而，现有的LARC疗效预测模型通常基于单模态、单中心研究构建^[¹⁴^,¹⁵^,¹⁶^,¹⁷^]，且未引入可解释性机器学习方法以明确各特征对预测的重要性，缺乏对内在决策机制的推演过程，限制了模型的外推性^[¹⁸^,¹⁹^]。基于此，本研究拟联合治疗前多模态MRI影像组学特征及临床-影像表型特征，在多中心背景下构建预测LARC患者nCRT疗效的可解释机器学习模型，以期转化为临床应用中的疗效评估工具。

1 材料与方法

1.1 研究对象

本研究遵守《赫尔辛基宣言》，经中国科学技术大学附属第一医院医学研究伦理委员会及中国科学院合肥肿瘤医院医学伦理委员会批准，免除受试者知情同意，批准文号：2025-RE-243、PJ-KY-2023-101。回顾性收集2018年1月至2024年12月在中国科技大学第一附属医院（中心1；169例）、中国科学院合肥肿瘤医院（中心2；57例）接受nCRT的LARC患者。纳入标准：（1）活检或术后病理确诊为直肠腺癌；（2）局部进展期，目前无远处转移；（3）治疗前行直肠MRI扫描；（4）术前接受nCRT治疗；（5）nCRT治疗后12周内接受TME。排除标准：（1）图像质量差，不能进行MRI影像表型特征评估及感兴趣区（region of interest, ROI）勾画（n=15）；（2）缺少临床-病理资料（n=22）；（3）既往诊断为其他恶性肿瘤或已进行放化疗治疗（n=17）。最终共纳入172例患者。为了规避因结局比例不均可能引入的偏倚，本研究采用分层随机化策略。首先，根据患者的最终结局进行分层，随后在每一层内，将来自中心1的患者按7∶3的比例随机分配至训练集（n=92）与内部验证集（n=40）。此外，来自中心2的所有患者（n=40）作为外部验证集。

1.2 检查与诊断方法

1.2.1 扫描方法

MRI检查使用3.0 T MRI扫描仪及8通道体部线圈完成，扫描方法符合直肠癌MR扫描专家共识^[²⁰^]，扫描序列包括高分辨率轴位T2加权成像（T2-weighted imaging, T2WI）、轴位弥散加权成像（diffusion-weighted imaging, DWI）（b=800 s/mm²）、矢状位对比增强T1加权成像（contrast-enhanced T1-weighted imaging, CE-T1WI），具体扫描序列及参数见表1。对比剂采用Gd-DTPA（北京北陆药业股份有限公司），剂量0.2 mmol/kg，注射速率2 mL/s。

点击查看表格

表1 MRI扫描序列及参数
Tab. 1 MRI scan sequences and parameters

1.2.2 图像分割

将高分辨率轴位T2WI、轴位DWI及矢状位CE-T1WI序列以DICOM格式导入ITK-SNAP软件（版本4.2.0，美国宾夕法尼亚大学PICSL实验室与犹他大学SCI研究所，http://www.itksnap.org）。由两名分别具有8年及10年胃肠肿瘤诊断经验的放射科主治医师在未知病理结果的情况下独立完成ROI分割。分割过程中，通过调整MRI图像的窗宽与窗位，并综合参考轴位、冠状位及矢状位多个序列，以准确界定肿瘤边界。两位医师使用该软件在每一层MRI图像上沿病灶边缘手动逐层勾画ROI，过程中注意避开肠腔气体、直肠系膜及正常肠壁等非目标组织（图1）。随后，ITK-SNAP将逐层勾画的二维区域整合为完整的三维体素级ROI。

为评估勾画结果的一致性，计算了两位医师所勾画ROI的Dice系数。同时采用组内相关系数（intra-class correlation coefficient, ICC）进行观察者间一致性分析，ICC值大于0.8视为一致性良好。如两位医师意见存在分歧，则由第三位具有20年胃肠肿瘤诊断经验的放射科副主任医师作为仲裁者，对有争议的ROI重新评估并确定最终勾画结果，以确保所有ROI的准确性与可重复性。

在整个勾画过程中，所有参与的放射科医师均对患者的临床资料及新辅助治疗效果保持盲态，从而有效避免了主观因素可能引入的偏倚。

点击查看大图

图1 使用ITK-SNAP在T2WI、CE-T1WI、DWI（b=800 s/mm²）序列上勾画感兴趣区（ROI）示意图。1A~1C：T2WI、CE-T1WI、DWI图像；1D~1F：已勾画ROI的T2WI、CE-T1WI、DWI图像。CE-T1WI：对比增强T1WI；DWI：弥散加权成像。

1.2.3 nCRT方式及疗效评估

患者的适形调强放疗方案包括两种方式：（1）短程放疗，照射总剂量为25 Gy，每次5 Gy；（2）长程放疗，照射总剂量为45~50 Gy，每次2.0~2.5 Gy，共放疗5周。化疗方案为以下几种：（1）奥利沙铂+卡培他滨，6~8周期；（2）卡培他滨，3~6周期；（3）奥利沙铂+氟尿嘧啶，6~8周期。nCRT方案包括短程放疗后巩固化疗、长疗程同步放化疗、诱导化疗后长程放化疗和长程放化疗后巩固化疗。短程放疗方案的手术时间应推迟6~8周。手术标本行常规HE染色，按照第八版AJCC肿瘤退缩分级^[¹⁴^]（tumor regression grading, TRG）标准进行分级：0级，完全退缩（无癌细胞残留）；1级，几乎完全退缩（单个或小簇状癌细胞残留）；2级，反应较小（残留癌灶伴间质纤维化）；3级，反应差（仅少数或未见癌细胞消退）。将TRG 0~1级的患者分为GR组，TRG 2~3级分为反应不良（poor responders, PR）组^[²¹^]。

1.2.4 nCRT术前临床与磁共振影像表型特征评估

从电子病例系统中收集患者的临床基线特征，包括性别、年龄、癌胚抗原（carcinoembryonic antigen, CEA）水平、糖类抗原19-9（carbohydrate antigen 19-9, CA19-9）水平。MRI影像表型特征评估由两位分别具有8年及10年胃肠肿瘤诊断经验主治医师进行，并由另一位具有20年胃肠肿瘤诊断经验的副主任医师审核。收集并记录肿瘤的以下磁共振影像表型特征：肿瘤T分期、肿瘤N分期、肿瘤长径、肿瘤短径、肿瘤下缘距肛缘的距离（肿瘤位置）、直肠癌壁外血管侵犯（extra-mural vascular invasion, EMVI）、环周切缘（circum-ferential resection margin, CRM）等。

1.3 模型构建与评估方法

1.3.1 MRI图像的标准化与特征筛选

使用PyRadiomics 程序（版本3.0.1；荷兰癌症研究所与美国麻省总医院，https://pyradiomics.readthedocs.io）对图像进行预处理和特征提取。使用图像标准化技术对图像进行预处理，从而消除不同中心不同MRI设备对图像的影响。首先，采用N4偏场校正以消除扫描仪导致的磁场不均匀性；随后通过归一化将图像强度标定至0~1的范围；进而使用线性插值法将图像统一重采样至1 mm×1 mm×1 mm的各向同性体素，以减小像素间差异并生成用于特征提取的三维ROI。基于T2WI、CE-T1WI及DWI三个序列生成的ROI，本研究共提取了1050×3个特征。这些特征涵盖以下几类：一阶特征（n=18）、形状特征，以及多种纹理特征[包括灰度共生矩阵（n=24）、灰度游程矩阵（n=16）、灰度大小区域矩阵（n=16）、灰度依赖矩阵（n=14）和邻域灰度差异矩阵（n=5）]。此外，本研究还从滤波后的图像中提取特征：除原始图像外，还应用了拉普拉斯-高斯滤波（Laplacian of Gaussian, LoG；参数σ=1.0）以捕捉多尺度空间频率下的纹理信息；同时，对图像进行了一层小波分解，生成了LLL、LHL、LHH、HLL、HLH、HHL、HHH和LLL共8个方向的子带，以全面获取肿瘤在不同频域的信息，因此三个模态总计提取了3150个特征。

应用Mann-Whitney U检验筛选出与GR相关的影像组学特征（P<0.05），利用Spearman相关性分析进一步剔除相关系数大于0.9的特征，避免了特征之间的共线性问题。本研究采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归进行特征选择，通过引入L1正则化以实现特征稀疏化，并基于十折交叉验证，以λ.1se为准则确定最优的惩罚系数（λ），最终筛选出最具预测nCRT疗效价值的影像组学特征参数。

1.3.2 影像组学模型、临床-影像表型模型、列线图模型的构建与评估

根据筛选出的影像组学最优特征，构建基于XGBoost机器学习分类器的T2WI模型、CE-T1WI模型、DWI模型及多模态（T2WI、CE-T1WI、DWI）联合影像组学模型，并分别计算其影像组学评分（radiomics score, Rad-score）。使用网格搜索（Grid Search）进行XGBoost模型超参数调优。应用单因素分析方法，对比不同治疗反应间的临床指标和影像表型的差异，随后，保留单因素分析中具有统计学差异的特征并将其纳入多因素逻辑回归分析，选取其中P<0.05的变量，得到独立预测因子并建立临床-影像表型模型。比较T2WI模型、CE-T1WI模型、DWI模型及多模态模型的Rad-score评分，选出预测效能最高的影像组学模型，联合临床-影像表型独立预测因子及最优影像组学模型构建列线图，预测直肠癌患者nCRT疗效。所有特征筛选和模型构建均在训练集上完成，内部和外部验证集的数据在整个建模过程中始终被锁定并保持独立，仅用于最终模型的单次、盲性评估。在验证集中评估5个模型的预测能力，绘制各模型的受试者工作特征（receiver operating characteristic, ROC）曲线，使用曲线下面积（area under the curve, AUC）、准确度、敏感度、特异度、阳性预测值进行效能评估。绘制列线图模型的校准曲线以评估列线图模型的预测概率与实际nCRT疗效是否一致。决策曲线分析（decision curve analysis, DCA）评估临床实用性。

1.3.3 多模态影像组学模型的可解释性

使用基于合作博弈论开发的Shapley算法可计算各特征的Shapley值及其对预测结果的影响方向，量化每个特征对预测模型的整体影响，进而阐明模型的决策过程，赋予预测模型局部和全局可解释性^[²²^]。

1.4 统计学分析

采用SPSS（版本26.0，美国IBM，https://www.ibm.com/products/spss-statistics）及Python（版本3.8，Python Software Foundation，https://www.python.org）软件进行数据分析及机器学习模型构建。计量资料（年龄、肿瘤长径、肿瘤短径）的正态性采用Shapiro-Wilk检验，符合正态分布者以均值±标准差表示，组间比较采用独立样本t检验（需满足Levene检验验证的方差齐性）；不符合正态分布者以中位数（四分位数间距）表示，组间比较采用Mann-Whitney U检验。计数资料（如性别、CEA、CA19-9、肿瘤位置、CRM、EMVI、nCRT方式）以频数（百分比）表示，组间比较采用χ²检验。等级资料（如T分期、N分期）采用Mann-Whitney U检验进行比较。CEA和CA19-9的缺失率分别为2.5%、2.5%。采用众数插补（mode imputation）方法对缺失数据进行了处理。采用组内相关系数（intra-class correlation coefficients, ICCs）对两位医生分割的ROI进行观察者间一致性检验，ICC值>0.8表明病灶勾画一致性良好。ROC曲线用于评估模型预测疗效的性能，使用R语言中的pROC包（版本1.18.0，瑞士洛桑大学医院，https://cran.r-project.org/package）进行DeLong检验以比较不同模型间AUC的差异，同时采用了FDR（False Discovery Rate）方法进行多重比较校正。Hosmer-Lemeshow检验用于评估列线图模型的预测概率与实际观测概率之间的差异程度，P>0.05表示模型拟合良好。DCA设定的概率阈值范围为80%~100%，净获益的计算公式为：净获益=阳性真例数/总例数-阳性假例数/总例数×（患病阈值/1-患病阈值）。95% CI采用Bootstrap方法（1000次重抽样）进行计算。以P<0.05为差异具有统计学意义。

2 结果

2.1 一般资料及临床-影像表型模型的建立与验证

入选患者的训练集、内部验证集、外部验证集的临床及影像资料见表2。训练集、内部验证集、外部验证集在性别、CEA等方面差异均无统计学意义（P均>0.05）。在训练集中，单因素回归分析显示，年龄、肿瘤长径、nCRT方案与GR显著相关（P<0.05），性别、CEA、CA19-9水平、EMVI、CRM与GR预测无关。多因素回归分析显示，年龄、肿瘤长径、nCRT方案可独立预测GR（表3）。最终，利用肿瘤长径、年龄和nCRT方案构建临床-影像表型模型对GR进行预测。临床-影像表型模型训练集、内部验证集中的AUC值为0.80、0.73，外部验证集的AUC值为0.60（95% CI：0.55~0.65）、准确度为60%（95% CI：58%~63%）、敏感度为61%（95% CI：57%~65%）、特异度为61%（95% CI：57%~65%）（表4）。

点击查看表格

表2 患者的临床及影像表型特征
Tab. 2 Patients clinical and radiology features

点击查看表格

表3 训练集中临床及影像表型资料的单因素-多因素logistic回归分析
Tab. 3 Univariate and multivariate logistic analyses of clinical-radiology data in the training set

点击查看表格

表4 T2WI、CE-T1WI、DWI、多模态、临床及列线图模型诊断效能比较
Tab. 4 Comparison of the efficacy of T2WI, DWI, CE-T1WI, multi-parametric, clinical model and nomogram

2.2 影像组学模型的建立与验证

两位医师勾画的Dice系数为0.98，表明他们之间的勾画具有极佳的一致性。经多步骤的特征筛选后、最终得到19个来源于MRI图像的影像组学特征，其中10个特征来自DWI序列，6个特征来自CE-T1WI序列，3个特征来自T2WI序列。基于XGBOOST算法，建立具有T2WI、CE-T1WI、DWI序列所选特征的影像组学模型及多模态影像组学模型，最终模型所使用的关键参数：最大树深度（max_depth）=3；学习率（learning_rate）=0.1；子采样比例（subsample）=0.8。在训练集中，T2WI、CE-T1WI、DWI模型的AUC值分别为0.84、0.85、0.94，多模态影像组学联合模型的AUC值为0.98。在内部验证集中，各模型的AUC值分别为0.89、0.91、0.91、0.95。在外部验证集中，各模型的AUC值分别为0.64、0.70、0.84、0.86（表4），准确度为64%（95% CI：61%~66%）、72%（95% CI：68%~75%）、84%（95% CI：81%~87%）、86%（95% CI：83%~88%），敏感度为69%（95% CI：65%~73%）、77%（95% CI：72%~81%）、80%（95% CI：75%~85%）、81%（95% CI：76%~86%），特异度为69%（95% CI：65%~73%）、77%（95% CI：72%~81%）、81%（95% CI：75%~86%）、84%（95% CI：79%~89%）。Delong检验结果显示训练集中多模态模型的效能显著优于单模态模型（P<0.05，图2）。多模态影像组学联合模型在预测GR方面表现最佳。

点击查看大图

图2 各模型在训练集的DeLong检验结果。CE-T1WI：对比增强T1WI；DWI：弥散加权成像。
Fig. 2 DeLong tests of models in the training set. CE-T1WI: contrast-enhanced T1WI; DWI: diffusion-weighted imaging..

2.3 影像组学模型的可解释性

在本研究中，多模态影像组学模型在训练集、内部验证集、外部验证集的LARC疗效预测性能均优于单模态影像组学模型，因此本研究使用Shapley算法评估各影像组学特征对多模态模型预测结果的贡献程度，计算各影像组学特征的Shapley值并对其进行重要性排序，进而对多模态影像组学模型全局可解释性进行分析。Shapley特征贡献度排序图（图3）描述了各影像组学特征在预测nCRT患者疗效在全局水平的贡献程度。Shapley汇总图（图4）中，Shapley值越高（红色）表明越倾向于疗效好，反之，Shapley值越低（蓝色）则越倾向于疗效差。由结果可知，DWI序列中的“wavelet-LHL_glszm_SmallAreaEmphasis”是预测GR最重要的特征。

点击查看大图

图3 多模态模型中影像组学特征贡献度排序图。SAG表示矢状位对比增强T1WI（CE-T1WI）；T2表示T2WI。
Fig. 3 The rank of features according to their importance of the multiparametric model. DWI stands for the diffusion-weighted imaging model; SAG stands for the sagittal contrast-enhanced T1WI (CE-T1WI) model; T2 stands for the T2WI model.

点击查看大图

图4 多模态模型的Shapley汇总图。DWI表示弥散加权成像；SAG表示矢状位对比增强T1WI（CE-T1WI）；T2表示T2WI。
Fig. 4 Shapley feature summary plots of multiparametric model. DWI stands for the diffusion-weighted imaging model; SAG stands for the sagittal contrast-enhanced T1WI (CE-T1WI) model; T2 stands for the T2WI model.

2.4 列线图模型的构建与预测性能评估

多模态影像组学联合模型在训练集、内部验证集中的AUC值均高于各单模态模型，选择多模态影像组学联合模型的Rad-score联合训练集中筛选出的3个有意义的临床-影像表型特征绘制列线图，并利用其得出的总分预测疗效（图5）。列线图模型预测GR的AUC值在训练集、内部验证集中分别为0.99、0.98，外部验证集中AUC值为0.88（95% CI：0.83~0.93）、准确度为88%（95% CI：85%~91%）、敏感度为87%（95% CI：82%~91%）、特异度为87%（95% CI：81%~91%），与其他模型相比，列线图模型具有最高的AUC值。分别绘制各模型的ROC曲线并比较其预测效能（图6）。各模型预测nCRT疗效的性能对比详见表4。训练集中各模型DeLong检验结果显示，列线图模型AUC值优于其余所有模型。在训练集、内部验证集、外部验证集列线图模型校准曲线的HLtest的P值分别为0.086、0.137、0.073，表明列线图模型对患者nCRT疗效的预测与实际的病理评估之间具有较好的一致性（图7）。DCA曲线显示，在80%~100%的阈值概率范围内，列线图模型比影像组学模型及临床-影像表型模型的人群净获益率更高（图8）。

点击查看大图

图5 临床-影像表型列线图模型。
Fig. 5 Combined clinical-radiology nomogram model.

点击查看大图

图6 不同模型预测新辅助放化疗疗效的受试者工作特征曲线。6A：训练集；6B：内部验证集；6C：外部验证集。DWI 表示弥散加权成像模型；SAG 表示矢状位对比增强T1WI（CE-T1WI）模型；T2 表示T2WI 模型。
Fig. 6 Receiver operating characteristic (ROC) curves of different models for predicting treatment response to neoadjuvant chemoradiotherapy. 6A: training set; 6B: internal validation set; 6C: external validation set. DWI stands for the diffusion-weighted imaging model; SAG stands for the sagittal contrast-enhanced T1WI (CE-T1WI) model; T2 stands for the T2WI model.

点击查看大图

图7 列线图模型预测新辅助放化疗疗效的校准曲线。7A：训练集；7B：内部验证集；7C：外部验证集。
Fig. 7 The calibration curves of nomogram models for predicting treatment response to neoadjuvant chemoradiotherapy. 7A: training set; 7B: internal validation set; 7C: external validation set.

点击查看大图

图8 不同模型预测新辅助放化疗疗效的决策曲线分析。8A：训练集；8B：内部验证集；8C：外部验证集。DWI 表示弥散加权成像模型；SAG表示矢状位对比增强T1WI（CE-T1WI）模型；T2 表示T2WI 模型。
Fig. 8 Decision curve analysis of different models for predicting treatment response to neoadjuvant chemoradiotherapy. 8A: training set; 8B: internal validation set; 8C: external validation set. DWI stands for the diffusion-weighted imaging model; SAG stands for the sagittal contrast-enhanced T1WI (CE-T1WI) model; T2 stands for the T2WI model.

3 讨论

本研究基于高分辨率T2WI、DWI和CE-T1WI序列的影像组学特征和临床-影像表型特征构建预测直肠癌疗效的列线图模型，使用Shapley分析技术，实现了在全局水平可视化各影像组学特征对预测LARC患者nCRT疗效的影响。结果表明影像组学模型效能高于临床-影像表型模型，列线图模型效能最佳，其在训练集、内部验证集、外部验证集中的AUC值分别为0.99、0.98、0.88，准确率、敏感度、特异度均达85%以上。许多研究尝试用影像组学分析预测LARC患者对nCRT的治疗反应，WANG等^[²³^]的一项回顾性纳入207例患者的研究中，选择了多模态的MRI影像组学特征构建机器学习模型，其内部验证的AUC值可达0.923，但该研究为单中心研究，且未对模型进行可解释性分析。此外，为了扩大模型的可推广性，本研究招募了另一个医疗中心的40名患者作为独立的外部验证队列，在该队列中，列线图模型的AUC值为0.88（95% CI：0.83~0.93），表明列线图模型在预测LARC患者的治疗反应方面具有良好的泛化性，能够辅助临床医生制定治疗方案。然而，列线图模型在外部验证中的表现仍与内部验证有一定差异，推测其可能是由于预测因子效应的异质性以及结局事件的发生率不同。但DCA结果仍证明列线图模型可改善临床决策。

3.1 多模态影像组学模型的优势

在预测直肠癌新辅助疗效方面，多参数MRI融合模型比单一模态模型效能更好^[²⁴^,²⁵^]，本研究结果支持上述观点。在多参数模型的序列选择方面，本研究选择T2WI序列、矢状位动态对比增强平衡期T1WI序列、DWI序列构建影像组学模型。NCCN指南指出，高分辨率小视野T2WI序列是评估直肠癌T分期及MRF最重要的依据，因为其具有良好的组织分辨率，可提供病灶的解剖形态学信息，能更好地显示肿瘤的实性成分及其对直肠壁及周围组织的侵犯情况^[⁶^]。基于水分子扩散原理的DWI序列可检测到细胞内微观结构及生物特性的变化，也可提供关键的预后信息。然而，单模态影像组学模型仅从单一序列反映肿瘤的某些特征，多模态影像组学模型可整合各模态的信息，更完整地反映肿瘤内部特征。ZHU等^[²⁶^]基于T2WI及DWI序列构建的影像组学联合模型在评估直肠癌治疗反应方面优于单个模型。与T2WI及DWI序列相比，T1WI增强扫描序列具有更高的图像对比度，可清晰显示肿瘤的实性成分及肿瘤异质性和新血管生成的功能信息，也用于直肠癌新辅助治疗疗效的预测，在预测直肠癌预后、淋巴结转移、生存期等方面具有优势^[²⁷^,²⁸^,²⁹^]。ZHOU等^[³⁰^]的研究指出，联合T1WI增强序列和高分辨率T2WI序列、ADC图构建的影像组学联合模型可以提高nCRT疗效的预测精度。AO等^[³¹^]基于T2WI、CE-T1WI、DWI序列开发的多参数磁共振深度学习模型可预测RC患者的肿瘤沉积状态并分析其预后，其多模态影像组学模型AUC值可达到0.87。因此本研究联合T2WI、CE-T1WI、DWI序列构建多模态影像组学模型，可更完整地包含病灶影像组学信息。

3.2 影像组学-临床-影像表型联合模型预测价值

既往研究表明，纳入临床-影像表型特征可以提高直肠癌影像组学融合模型的预测效能^[³¹^,³²^]。本研究整合了影像组学特征，临床-影像表型基线特征的融合模型达到所有模型中的最高效能，与上述观点基本一致。分析其原因可能是临床-影像表型特征能够反应肿瘤的一些固有特性，有助于提高模型的整体预测效能。目前，常用于预测LARC患者新辅助治疗疗效的临床预测因子包括临床特征、生物学标志物和影像学标志物，本研究综合纳入了这些因素。部分研究指出代表肿瘤尺寸或负荷的变量，如肿瘤长度、肿瘤的环周程度，可能是nCRT后LARC患者pCR的独立危险因素^[³³^,³⁴^]。本研究纳入2种反映肿瘤尺寸或负荷的临床特征，多因素逻辑回归分析显示肿瘤长度可能是新辅助治疗反应的预测因素。此外，新辅助治疗的方式可能会对肿瘤的消退程度产生影响，巩固化疗较其他方案更有助于患者达到pCR状态^[³⁵^]。然而，SONG等^[³⁶^]的研究表明，nCRT的方式不会对疗效产生影响。与其研究不同，本研究将nCRT方式作为临床特征纳入临床-影像表型模型，发现诱导化疗方案较其他方案可能更有助于患者取得更好的疗效，推测其原因可能与不同患者接受的放化疗剂量不同有关。

3.3 可解释影像组学模型的价值

近年来，支持向量机和极限梯度提升（eXtreme gradient boosting, XGBoost）等复杂模型被应用于疗效预测，并展示出良好的性能^[³⁷^,³⁸^]，然而，这些模型的“黑箱”性质限制了他们的可解释性及在临床场景中的应用。Shapley算法由于其可评估特征的贡献度及对模型的影响方向，已广泛应用于影像组学研究中。在本研究中，Shapley汇总图显示，DWI序列中的“wavelet-LHL_glszm_SmallAreaEmphasis”特征具有最高的Shapley分布区间，其Shapley值越高越倾向GR，反之越倾向PR，其次是CE-T1WI序列中的“wavelet-HHH_glcm_JointAverage”特征，主要反映肿瘤纹理特征的一致性和均匀性，这些特征与肿瘤的异质性相关，与nCRT疗效存在显著相关性。

3.4 本研究的创新性

（1）本研究使用多模态MRI图像提取组学特征，可充分挖掘与nCRT治疗疗效有关的肿瘤异质性特征。（2）联合临床-影像表型及影像组学特征建立联合模型，得到的列线图模型预测效能最高。（3）使用了独立的数据集进行外部验证，多中心研究可减少选择偏倚，提高研究结果的稳健性^[³⁹^]。（4）为了减少不同的MRI扫描仪成像参数对结果的影响，本研究对每个特征进行归一化处理，并使用线性插值法对图像重采样，进而提高了研究结果的普适性。

3.5 本研究的局限性

本研究尚存在一些局限性。首先，作为一项多中心回顾性研究，尽管已通过外部验证以降低过拟合风险，但样本量仍相对有限，未来需进一步扩大样本规模并持续更新模型以优化其预测性能。其次，由于外部验证队列的纳入时间范围存在差异，可能产生一定程度的校准度漂移现象，因此需在外部验证阶段对原始模型进行适当调整，从而提升其跨中心的适用性。再次，多中心数据间难以完全避免的批次效应可能影响预测因子效应的一致性，后续将考虑采用Combat等方法予以校正。最后，本研究纳入对象以黄种人为主，模型在其他种族人群中的表现尚不明确，仍需在更多样化的群体中进一步验证其泛化能力。此外，目前所采用的手动分割方法虽能较精准地勾画肿瘤区域，但其效率较低，难以适用于大规模数据处理场景，且可能引入操作者间差异。未来将探索基于nnU-Net的自动分割技术以提升流程效率与一致性。为在保护数据隐私的同时实现多中心协作建模，我们亦计划引入联邦学习框架，从而在尊重各中心数据安全的前提下进一步提升模型的稳健性与泛化能力。

4 结论

基于XGBoost分类器构建的多模态影像组学联合临床-影像表型特征建立的列线图模型具有较高的预测效能，可在nCRT前对LARC患者进行疗效预测，该模型经独立的外部验证集验证，有望为直肠癌个体化治疗提供依据。

参考文献

[1]

BRAY F, LAVERSANNE M, SUNG H, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2024, 74(3): 229-263. DOI: 10.3322/caac.21834.

[2]

HAN B F, ZHENG R S, ZENG H M, et al. Cancer incidence and mortality in China, 2022[J]. J Natl Cancer Cent, 2024, 4(1): 47-53. DOI: 10.1016/j.jncc.2024.01.006.

[3]

LI N, LU B, LUO C Y, et al. Incidence, mortality, survival, risk factor and screening of colorectal cancer: a comparison among China, Europe, and northern America[J]. Cancer Lett, 2021, 522: 255-268. DOI: 10.1016/j.canlet.2021.09.034.

[4]

BILLER L H, SCHRAG D. Diagnosis and treatment of metastatic colorectal cancer: a review[J]. JAMA, 2021, 325(7): 669-685. DOI: 10.1001/jama.2021.0106.

[5]

QADERI S M, DICKMAN P W, DE WILT J H W, et al. Conditional survival and cure of patients with colon or rectal cancer: a population-based study[J]. J Natl Compr Canc Netw, 2020, 18(9): 1230-1237. DOI: 10.6004/jnccn.2020.7568.

[6]

BENSON A B, VENOOK A P, AL-HAWARY M M, et al. Rectal cancer, version 2.2022, NCCN clinical practice guidelines in oncology[J]. J Natl Compr Canc Netw, 2022, 20(10): 1139-1167. DOI: 10.6004/jnccn.2022.0051.

[7]

GANI C H, FOKAS E, POLAT B, et al. Organ preservation after total neoadjuvant therapy for locally advanced rectal cancer (CAO/ARO/AIO-16): an open-label, multicentre, single-arm, phase 2 trial[J]. Lancet Gastroenterol Hepatol, 2025, 10(6): 562-572. DOI: 10.1016/S2468-1253(25)00049-4.

[8]

PATIL P S, SAKLANI A, KUMAR N A N, et al. A randomized phase Ⅱ/Ⅲ trial of rosuvastatin with neoadjuvant chemo-radiation in patients with locally advanced rectal cancer[J/OL]. Front Oncol, 2025, 15: 1450602 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/40177244/. DOI: 10.3389/fonc.2025.1450602.

[9]

MIRANDA J, ANDRIEU P C, NINCEVIC J, et al. Advances in MRI-based assessment of rectal cancer post-neoadjuvant therapy: a comprehensive review[J/OL]. J Clin Med, 2023, 13(1): 172 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/38202179/. DOI: 10.3390/jcm13010172.

[10]

WANG F, CHEN G, ZHANG Z, et al. The Chinese society of clinical oncology (CSCO): clinical guidelines for the diagnosis and treatment of colorectal cancer, 2024 update[J]. Cancer Commun (Lond), 2025, 45(3): 332-379. DOI: 10.1002/cac2.12639.

[11]

HOŁDAKOWSKA A, KURKOWSKA K, PIETRZAK L, et al. Which tumour factors preclude organ preservation in patients with rectal cancer [J/OL]. Radiother Oncol, 2024, 191: 110054 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/38104780/. DOI: 10.1016/j.radonc.2023.110054.

[12]

CAI C P, HU T D, RONG Z N, et al. Prognostic prediction value of the clinical-radiomics tumour-stroma ratio in locally advanced rectal cancer[J/OL]. Eur J Radiol, 2024, 170: 111254 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/38091662/. DOI: 10.1016/j.ejrad.2023.111254.

[13]

FENG L L, LIU Z Y, LI C F, et al. Development and validation of a radiopathomics model to predict pathological complete response to neoadjuvant chemoradiotherapy in locally advanced rectal cancer: a multicentre observational study[J/OL]. Lancet Digit Health, 2022, 4(1): e8-e17 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/34952679/. DOI: 10.1016/S2589-7500(21)00215-6.

[14]

MAO J W, YE W L, MA W L, et al. Prediction by a multiparametric magnetic resonance imaging-based radiomics signature model of disease-free survival in patients with rectal cancer treated by surgery[J/OL]. Front Oncol, 2024, 14: 1255438 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/38454930/. DOI: 10.3389/fonc.2024.1255438.

[15]

PENG W J, WAN L J, WANG S C, et al. A multiple-time-scale comparative study for the added value of magnetic resonance imaging-based radiomics in predicting pathological complete response after neoadjuvant chemoradiotherapy in locally advanced rectal cancer[J/OL]. Front Oncol, 2023, 13: 1234619 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/37664046/. DOI: 10.3389/fonc.2023.1234619.

[16]

ZHAO R, WAN L J, CHEN S, et al. MRI-based multiregional radiomics for pretreatment prediction of distant metastasis after neoadjuvant chemoradiotherapy in patients with locally advanced rectal cancer[J]. Acad Radiol, 2024, 31(4): 1367-1377. DOI: 10.1016/j.acra.2023.09.007.

[17]

LIU X Y, ZHANG D F, LIU Z Y, et al. Deep learning radiomics-based prediction of distant metastasis in patients with locally advanced rectal cancer after neoadjuvant chemoradiotherapy: a multicentre study[J/OL]. EBioMedicine, 2021, 69: 103442 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/34157487/. DOI: 10.1016/j.ebiom.2021.103442.

[18]

TIAN X W, MA A L, JIA Z Q, et al. MRI radiomics combined with delta-radiomics model for predicting pathological complete response in locally advanced rectal cancer patients after neoadjuvant chemoradiotherapy: a multi-institutional study[J/OL]. Appl Radiat Isot, 2025, 222: 111842 [2025-07-06] . https://pubmed.ncbi.nlm.nih.gov/40273481/. DOI: 10.1016/j.apradiso.2025.111842.

[19]

WEI Q R, CHEN Z L, TANG Y H, et al. External validation and comparison of MR-based radiomics models for predicting pathological complete response in locally advanced rectal cancer: a two-centre, multi-vendor study[J]. Eur Radiol, 2023, 33(3): 1906-1917. DOI: 10.1007/s00330-022-09204-5.

[20]

中国医师协会结直肠肿瘤专业委员会诊疗技术专委会, 中华医学会放射学分会腹部学组, 孙应实, 等. 直肠癌MR扫描及结构式报告规范专家共识[J]. 中华放射学杂志, 2021, 55(11): 1121-1127. DOI: 10.3760/cma.j.cn112149-20210518-00490.

Colorectal Cancer Diagnosis and Treatment Technology Professional Committee of Chinese Medical Doctor Association, Abdomen Group Chinese Society of Radiology Chinese Medical Association, SUN Y S, et al. Expert consensus on MR examination and structured report of rectal cancer[J]. Chin J Radiol, 2021, 55(11): 1121-1127. DOI: 10.3760/cma.j.cn112149-20210518-00490.

[21]

AMIN M B, GREENE F L, EDGE S B, et al. The eighth edition AJCC cancer staging manual: continuing to build a bridge from a population-based to a more "personalized" approach to cancer staging[J]. CA Cancer J Clin, 2017, 67(2): 93-99. DOI: 10.3322/caac.21388.

[22]

CROMBÉ A, KATAOKA M. Breast cancer molecular subtype prediction: Improving interpretability of complex machine-learning models based on multiparametric-MRI features using SHapley Additive exPlanations (SHAP) methodology[J]. Diagn Interv Imaging, 2024, 105(5): 161-162. DOI: 10.1016/j.diii.2024.01.008.

[23]

WANG J, CHEN J J, ZHOU R Z, et al. Machine learning-based multiparametric MRI radiomics for predicting poor responders after neoadjuvant chemoradiotherapy in rectal Cancer patients[J/OL]. BMC Cancer, 2022, 22(1): 420 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/35439946/. DOI: 10.1186/s12885-022-09518-z.

[24]

FIDAN M, NURAL M S, ÇAMLıDAĞ İ, et al. Evaluation of treatment response by multiparametric MR imaging in locally advanced rectal tumors following neoadjuvant chemotherapy[J]. Abdom Radiol (NY), 2024, 49(11): 3768-3779. DOI: 10.1007/s00261-024-04389-3.

[25]

SCHURINK N W, VAN KRANEN S R, VAN GRIETHUYSEN J J M, et al. Development and multicenter validation of a multiparametric imaging model to predict treatment response in rectal cancer[J]. Eur Radiol, 2023, 33(12): 8889-8898. DOI: 10.1007/s00330-023-09920-6.

[26]

ZHU W L, XU Y S, ZHU H L, et al. Multi-parametric MRI radiomics for predicting response to neoadjuvant therapy in patients with locally advanced rectal cancer[J]. Jpn J Radiol, 2024, 42(12): 1448-1457. DOI: 10.1007/s11604-024-01630-3.

[27]

XIANG Y R, LI S, WANG H Z, et al. MRI-based radiomics to predict neoadjuvant chemoradiotherapy outcomes in locally advanced rectal cancer: a multicenter study[J]. Clin Transl Radiat Oncol, 2022, 38: 175-182. DOI: 10.1016/j.ctro.2022.11.009.

[28]

ZHANG Z W, CHEN Y, WEN Z Q, et al. MRI for nodal restaging after neoadjuvant therapy in rectal cancer with histopathologic comparison[J/OL]. Cancer Imaging, 2023, 23(1): 67 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/37443085/. DOI: 10.1186/s40644-023-00589-0.

[29]

FERRI V, VICENTE E, QUIJANO Y, et al. Predicting treatment response and survival in rectal cancer: insights from 18 FDG-PET/MRI post-neoadjuvant therapy[J/OL]. Int J Colorectal Dis, 2025, 40(1): 6 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/39757340/. DOI: 10.1007/s00384-024-04803-8.

[30]

ZHOU X Z, YU Y, FENG Y R, et al. Attention mechanism based multi-sequence MRI fusion improves prediction of response to neoadjuvant chemoradiotherapy in locally advanced rectal cancer[J/OL]. Radiat Oncol, 2023, 18(1): 175 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/37891611/. DOI: 10.1186/s13014-023-02352-y.

[31]

AO W Q, WANG N, CHEN X, et al. Multiparametric MRI-based deep learning models for preoperative prediction of tumor deposits in rectal cancer and prognostic outcome[J]. Acad Radiol, 2025, 32(3): 1451-1464. DOI: 10.1016/j.acra.2024.10.004.

[32]

LIAO H, ZHAO Y, PEI W, et al. An interpretable machine learning model assists in predicting induction chemotherapy response and survival for locoregionally advanced nasopharyngeal carcinoma using MRI: a multicenter study[J]. Eur Radiol, 2025, 35(8): 5121-5134. DOI: 10.1007/s00330-025-11396-5.

[33]

KARAHACIOGLU D, ATALAY H O, ESMER R, et al. What is the predictive value of pretreatment MRI characteristics for achieving a complete response after total neoadjuvant treatment in locally advanced rectal cancer [J/OL]. Eur J Radiol, 2025, 185: 112005 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/39970545/. DOI: 10.1016/j.ejrad.2025.112005.

[34]

CHEN X J, WANG W H, CHEN J G, et al. Predicting pathologic complete response in locally advanced rectal cancer patients after neoadjuvant therapy: a machine learning model using XGBoost[J]. Int J Colorectal Dis, 2022, 37(7): 1621-1634. DOI: 10.1007/s00384-022-04157-z.

[35]

DIEFENHARDT M, KOSMALA R, FLEISCHMANN M, et al. Chemotherapy before or after preoperative chemoradiotherapy and surgery for locally advanced rectal cancer: 5-year results of the CAO/ARO/AIO-12 trial - a general pairwise comparison[J/OL]. ESMO Open, 2025, 10(3): 104483 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/40056849/. DOI: 10.1016/j.esmoop.2025.104483.

[36]

SONG M, LI S, WANG H Z, et al. MRI radiomics independent of clinical baseline characteristics and neoadjuvant treatment modalities predicts response to neoadjuvant therapy in rectal cancer[J]. Br J Cancer, 2022, 127(2): 249-257. DOI: 10.1038/s41416-022-01786-7.

[37]

LIU X B, JI Z L, ZHANG L B, et al. Prediction of pathological complete response to neoadjuvant chemoimmunotherapy in non-small cell lung cancer using 18F-FDG PET radiomics features of primary tumour and lymph nodes[J/OL]. BMC Cancer, 2025, 25(1): 520 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/40119358/. DOI: 10.1186/s12885-025-13905-7.

[38]

SHENG Z X, JI S Y, CHEN Y C, et al. Machine learning algorithms integrating positron emission tomography/computed tomography features to predict pathological complete response after neoadjuvant chemoimmunotherapy in lung cancer[J/OL]. Eur J Cardiothorac Surg, 2025, 67(5): ezaf132 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/40221851/. DOI: 10.1093/ejcts/ezaf132.

[39]

HU T D, GONG J, SUN Y Q, et al. Magnetic resonance imaging-based radiomics analysis for prediction of treatment response to neoadjuvant chemoradiotherapy and clinical outcome in patients with locally advanced rectal cancer: A large multicentric and validated study[J/OL]. MedComm (2020), 2024, 5(7): e609 [2025-07-06]. https://pubmed.ncbi.nlm.nih.gov/38911065/. DOI: 10.1002/mco2.609.

上一篇 钆塞酸二钠增强MRI鉴别肝局灶性慢性炎症与单发肝转移瘤的价值

下一篇 基于DCE-MRI生境影像组学可解释性机器学习模型预测直肠癌淋巴结转移的研究