0 引言

       直肠癌是最常见的胃肠道恶性肿瘤之一^{[1, 2]}，具有较高的肿瘤异质性^[3]。肿瘤-淋巴结-转移（tumor-node-metastasis, TNM）分期最常用于指导治疗决策和预测预后。手术切除是目前早期直肠癌（T1/2、N0）^[4]的治疗方法，而局部晚期直肠癌（T3/4或N1/2）的治疗决策依赖于对局部复发风险的综合评估，淋巴结转移（lymph node metastasis, LNM）状态是关键的独立危险因素之一。因此，术前准确评估淋巴结状态对直肠癌患者进行更精准的风险分层和个体化治疗决策至关重要。根据最新的美国国家综合癌症网络（National Comprehensive Cancer Network, NCCN）指南^[5]，MRI被推荐用于直肠癌肿瘤分期以及评估直肠癌的治疗效果和预后。然而，在临床实践中，基于MRI评估LNM的准确性仍然有限^[6]，GRÖNE等^[7]研究发现联合淋巴结短径与形态学特征诊断LNM的准确度76.7%，相应的诊断敏感度和特异度分别为56%和91.4%，且影像医师的主观因素可能导致评估存在偏差。影像组学可以从医学图像中提取出各种肉眼无法发现的高通量特征，以获取肿瘤的详细信息。前期已有多项研究探讨影像组学方法在评估直肠癌LNM中的应用^{[8, 9, 10, 11]}，然而大多是对肿瘤的整体特征或瘤周区域进行分析，忽略肿瘤内部存在异质性^[12]。另有研究采用深度学习^{[13, 14, 15, 16]}或人工智能^[17]方法构建预测模型，尽管模型性能良好，但缺乏可解释性。基于医学图像的生境分析，通过识别图像像素或区域的特征相似性来划分异质性肿瘤内的亚区域^{[18, 19, 20]}，即栖息地，可有效显示和量化肿瘤内异质性来表征肿瘤微环境。近年来，生境影像组学的应用范围不断扩大，已在多种肿瘤的转移风险预测及免疫微环境评估中展现出良好的潜力。CHEN等^[21]利用头颈癌的生境影像组学模型，不仅准确预测了隐匿性LNM，还揭示了不同生境与肿瘤免疫微环境特征之间的联系；JIA等^[22]的研究则表明，生境影像组学能够显著提高影像科医师对食管胃交界腺癌LNM的诊断准确性。李飞翔等^[23]的研究也表明，生境影像组学模型对术前无LNM宫颈癌患者的淋巴脉管间隙浸润状态具有重要预测价值。这些研究进一步表明生境分析在揭示肿瘤内异质性、提升影像组学模型预测性能方面的重要价值。因此，本研究基于动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）定量参数图（K^trans）的生境影像组学和临床特征，应用多种机器学习算法，构建可精确预测直肠癌LNM风险的可解释模型，为临床实现精准的个体化治疗提供可靠依据。

1 材料与方法

1.1 研究对象

       本研究遵守《赫尔辛基宣言》，经甘肃省人民医院伦理委员会批准，免除受试者知情同意，批准文号：2024-620。回顾性分析2016年1月至2024年7月在我院术前行MRI检查的直肠癌患者的临床及影像学资料。纳入标准：（1）术后病理学检查证实为直肠癌；（2）接受直肠癌术前DCE-MRI检查，且MRI检查与手术的时间间隔<2周。排除标准：（1）MRI扫描前接受过任意新辅助治疗（n=126）；（2）图像资料不全、质量不佳等无法进行分析的影像图像（n=6）；（3）临床病理信息不完整或缺失（n=17）。纳入病例按7∶3比例随机分为训练集和测试集。

1.2 临床及病理资料

       收集的临床资料包括：性别、年龄、吸烟史、饮酒史、BMI、MRI检查报告的T分期、MRI检查报告的N分期、高密度脂蛋白、胆固醇、低密度脂蛋白、甘油三酯、白蛋白、血小板计数、白细胞计数、中性粒细胞计数、淋巴细胞计数、红细胞计数、血红蛋白、癌胚抗原（carcinoembryonic antigen, CEA）、糖类抗原（carbohydrate antigen, CA）72-4和CA19-9等。MRI检查报告结果的再评估：为获得统一、可靠的MRI分期结果用于本研究分析，我们采用双盲法对直肠癌患者的MRI检查图像重新评估，由两名资深放射诊断医师（腹部亚专业组，从业年限≥10年）基于高分辨率多序列MRI影像开展独立双盲阅片，评估结果存在分歧时经第3位高年资主任医师（从业15年）复核后达成诊断共识。

       根据美国癌症联合委员会（American Joint Committee on Cancer, AJCC）分期系统^[24]，根据术后病理确认的LNM状态将患者分为有LNM [LNM（+）]组和无LNM [LNM（-）]组。

1.3 检查方法

       采用3.0 T MRI（荷兰飞利浦公司产品）、3.0 T和1.5 T MRI（德国西门子公司产品）中的任意1台进行标准化盆腔扫描，采用16通道体部相控阵线圈完成常规MRI及DCE-MRI扫描。DCE-MRI扫描方案：经肘前静脉以3.5 mL/s流率团注对比剂钆特酸葡胺（Gd-DTPA，佳迪显，江苏恒瑞医药股份有限公司），剂量0.1 mmol/kg。采用定时启动方案，于第3个扫描时相开始注入对比剂，注射后即刻以相同流速推注20 mL生理盐水冲洗管道，连续采集35个时相，单个时相扫描时间为8 s，总扫描时间为280 s。所有扫描在自由呼吸状态下进行。各机型具体扫描参数详见表1。

点击查看表格

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

1.4 图像预处理、肿瘤分割和生境聚类

       将DCE-MRI原始图像导入Siemens Syngo.via工作站，采用其内置的“Tissue 4D”标准化工作流程进行后处理。首先，对动态图像进行运动校正与弹性配准，以消除患者移动并确保各时相图像的空间一致性。随后，根据药代动力学模型，自动将动态采集的信号强度-时间曲线转换为组织内的对比剂浓度-时间曲线。最后，选择Tofts药代动力学模型，自动生成K^trans定量参数图，以DICOM格式从工作站导出。将导出的K^trans参数图使用Python（3.12版本；https://www.python.org）软件进行N4偏置场校正，并重采样为1.0 mm×1.0 mm×3.5 mm的大小，用以标准化体素间距。将图像以DICOM格式导入到ITK-Snap软件（3.8.0版本；https://www.itksnap.org），结合高分辨T2WI及高b值的DWI图像确定病灶位置，由一名有 10 年工作经验的影像科医生（主治医师）进行逐层感兴趣区勾画，直到覆盖整个肿瘤，从而获得肿瘤感兴趣体积（volume of interest, VOI）。一个月后随机选择20例患者，由同一影像医师重新勾画VOI。利用OnekeyAI平台提取每位患者基于K^trans定量参数图的19标准化影像组学特征。K-means聚类是一种无监督聚类算法，它可以根据每个像素的值及其分布将肿瘤划分为不同的子区域。利用K-means聚类对群体水平的VOI区域特征进行聚类，将肿瘤划分成不同的生境亚区。候选聚类数从2到8进行测试，根据Calinski-Harabasz指数确定最佳一致性聚类数（K）。

1.5 影像组学特征的提取、筛选及模型构建

       运用Python（3.12版本；https://www.python.org），根据最佳聚类结果分别提取各个肿瘤亚区的影像组学特征，然后将各亚区的特征合并，形成一个综合的生境影像组学特征集，构建对应的生境影像组学模型，具体特征包括以下类别：一阶特征、三维形状特征、纹理特征等。同时也根据传统影像组学方法提取整个VOI内的影像组学特征。基于观察者内重勾画数据集，采用组内相关系数（intra-class correlation coefficient, ICC）评估肿瘤整体影像组学特征的可重复性。ICC大于0.75的特征进入后续建模流程。

       所有特征均使用Z-scores方法进行标准化，然后选择Pearson相关系数<0.9的特征；最后使用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）回归确定最终特征集。利用极端随机树（extremely randomized trees, ET）、逻辑回归（logistic regression, LR）、随机森林（random forest, RF）及支持向量机（support vector machine, SVM）4种机器学习算法，分别基于全肿瘤及生境影像组学特征构建预测模型。为避免过拟合，在机器学习模型构建过程中使用了5折交叉验证，选取性能最优的分类器进行最终影像组学模型的构建，根据影像组学特征及系数计算影像组学评分（radiomics score, R-score）。采用单因素logistic回归分析筛选临床独立预测因子，并以此构建临床预测模型；联合临床预测模型和最优的影像组学模型进一步构建联合预测模型，评价模型对LNM的识别能力。

1.6 统计学分析

       使用Python（版本3.12；https://www.python.org）和IBM SPSS 27.0软件进行统计分析。符合正态分布的计量资料以（x¯±s）表示，组间比较采用独立样本t检验，偏态分布的数据以M（Q1，Q3）表示，组间比较采用Mann-Whitney U检验；计数资料采用χ²检验或Fisher精确检验来比较组间差异。采用ICC评估提取影像组学特征的可重复性。若ICC>0.75表示提取特征的一致性良好。采用加权Kappa检验评估MRI报告N分期的一致性。单因素和多因素分析采用logistic回归模型。绘制受试者工作特征（receiver operating characteristic curve, ROC）曲线并计算曲线下面积（area under the curve, AUC）、敏感度、特异度、准确度评估模型的预测效能。采用DeLong检验比较不同模型间AUC的差异；使用Brier分数评估模型的整体校准度，通过决策曲线分析（decision curve analysis, DCA）评估模型的临床实用性。通过沙普利可加性模型解释算法（Shapley Additive exPlanation, SHAP）计算模型中所有特征的全局（总体）和局部（个体）Shapley值，描述特征重要程度并可视化各特征对不同患者预测结果的影响程度。P<0.05为差异有统计学意义。

2 结果

2.1 一般资料

       本研究初步纳入病例297例，经排除后最终纳入148例，其中男90例，女58例，按7∶3比例随机分为训练集103例和测试集45例。训练集中LNM（-）58例、LNM（+）45例；测试集中LNM（-）29例、LNM（+）16例。在训练集中，LNM（+）和LNM（-）组间MRI检查报告的N分期和CEA差异具有统计学意义（P<0.05）；其余临床因素差异均无统计学意义（P>0.05）（表2）。为量化本研究的再评估结果与原始临床报告之间的一致性，我们比较了148例患者的MRI报告的N分期数据。结果显示，加权Kappa值为0.856 [95%置信区间（confidence interval, CI）：0.780~0.931，P<0.001]，表明尽管存在个别差异，但总体一致性良好。

点击查看表格

表2  训练集与测试集患者临床特征比较
Tab. 2  Comparison of clinical characteristics of patients in the training set and the test set

2.2 直肠癌患者LNM状态的影响因素分析和临床预测模型的构建

       单因素分析结果显示，CEA和MRI检查报告的N分期为N2期是直肠癌患者LNM状态的影响因素（P<0.05）。详见表3。CEA和MRI检查报告的N分期用于构建临床预测模型。

点击查看表格

表3  影响训练集103例直肠癌患者淋巴结状态的单因素分析
Tab. 3  Univariate analysis of lymph node status in 103 patients with rectal cancer in the training set

2.3 影像组学预测模型的构建及比较

       根据Calinski-Harabasz指数确定最佳一致性聚类数K=4，即将肿瘤划分为4个异质性生境亚区（图1）。为定量表征各亚区的特性，我们分析了K^trans图的一阶统计特征，结果显示，四个亚区的K^trans特征存在广泛的、显著的统计学差异。在K^trans均值的比较中，亚区1的K^trans均值较其他亚区更低，亚区1的四分位距显著小于其他所有亚区，表明其内部灌注水平最为均一；亚区1的K^trans值最低，然后是亚区2和亚区4，亚区3具有最高的K^trans值；除亚区2与亚区3间差异无显著意义（P=0.189）外，其余所有组间比较均存在极其显著的差异（所有P<0.001）。在K^trans中位数的所有两两比较中，均观察到差异具有统计学意义（所有P<0.01）。将每个生境亚区提取的1228个特征进行筛选后筛选出的8个生境影像组学特征（log_sigma_2_0_mm_3D_glcm_Correlation_h2、log_sigma_5_0_mm_3D_ngtdm_Busyness_h2、wavelet_LHH_firstorder_Median_h3、wavelet_HHL_glrlm_ShortRunLowGrayLevelEmphasis_h1、wavelet_LHH_firstorder_RootMeanSquared_h1、wavelet_LHL_firstorder_Median_h2、wavelet_LHH_firstorder_Mean_h1、wavelet_LHL_firstorder_Median_h3）纳入构建生境影像组学模型。将筛选出的特征输入LR、SVM、RF和ET机器学习分类器分别构建机器学习模型。其中，ET模型在训练集中的AUC最高（AUC=0.890，95% CI：0.827~0.943），同时在测试集中也表现良好（AUC=0.801，95% CI：0.657~0.917）。因此，选择由ET分类器建立的模型作为生境影像组学模型。从K^trans参数图的肿瘤全区域提取影像组学特征，经过特征筛选最终保留2个特征（wavelet_LHL_firstorder_Median_whole、wavelet_LHL_ngtdm_Strength_whole）构建全肿瘤影像组学模型。通过训练集及测试集数据的验证，选择将RF模型（训练集AUC=0.774，95% CI：0.680~0.853；测试集AUC=0.684，95% CI：0.518~0.832）作为最优全区域影像组学模型。为比较生境影像组学模型和肿瘤全区域影像组学模型，采用DeLong检验对比了基于生境的ET模型与全肿瘤RF模型。在训练集中，ET生境模型的AUC显著高于全肿瘤模型（Z=2.484，P=0.013）。在测试集中，尽管两者的AUC差异未达到统计学显著性（Z=1.482，P=0.138），这可能与测试集样本量有限有关，但ET生境模型依然保持了更高的AUC值（0.801 vs. 0.684）。鉴于ET生境模型在训练集上具有统计显著的优越性，在测试集上展现出稳定的性能优势，因此最终选择其作为最终的影像组学预测模型。不同机器学习算法的预测效能见表4。

点击查看大图

图1  Calinski-Harabasz值与聚类数关系折线图。
Fig. 1  The relationship between Calinski-Harabasz value and number of clusters.

点击查看表格

表4  不同机器学习算法的全区域和生境影像组学模型效能
Tab. 4  Performance of whole-region and habitat radiomics models with different machine learning algorithms

2.4 临床影像联合模型的构建和解释

       联合临床特征和生境影像组学评分构建的联合模型在4个模型中的AUC最高，在训练集的AUC、准确度、敏感度、特异度分别为0.896（95% CI：0.839~0.946）、80.6%、73.3%、86.2%；测试集上述指标分别为0.866（95% CI：0.751~0.952）、73.3%、62.5%、79.3%（图2、表5）。DeLong检验显示联合预测模型与生境影像组学模型比较差异均无统计学意义（Z=0.534、1.400，P>0.05），表明临床因素的加入并未显著提升生境影像组学模型的预测效能；与全肿瘤影像组学模型比较（Z=2.624、2.104，P<0.05）及临床模型比较（Z=3.448、2.101，P<0.05）差异均有统计学意义。联合模型的Brier分数训练集为0.131，测试集为0.147，反映了良好的整体准确性。DCA显示，联合模型在预测直肠癌LNM的临床效益优于其他预测模型（图3）。

       SHAP算法为模型预测提供定量解释。在全局解释的可视化中：SHAP特征重要性图（图4A~4B）显示了各特征对模型输出的平均绝对影响力（即重要性排序），SHAP汇总图（图4C~4D）Shapley值越高（颜色越接近红色），表示该特征值在该样本上正向推高预测概率，即越倾向于LNM；反之则表示负向拉低预测概率，即越倾向于无LNM。SHAP热图（图4E）按样本排序，直观地显示了每个特征在样本中的Shapley值大小和方向。SHAP决策图（图4F）则清晰描绘了各重要特征如何相互作用并最终累积形成单个样本的预测概率值。生境影像组学模型中wavelet_LHH_firstorder_Median_h3是最重要的特征，联合模型中患者的Rad-score（H）值对联合模型的预测贡献度最高。在局部解释层面：SHAP力图为单个患者（图5、图6）的模型预测提供了直观解释，清晰展示该患者各特征值如何推动模型预测偏离基线值（即平均预测值），最终达到其特定的预测结果。

点击查看大图

图2  训练集（2A）和测试集（2B）的受试者工作特征曲线。AUC：曲线下面积；CI：置信区间。
Fig. 2  Receiver operating characteristic curves of the training set (2A) and the test set (2B). AUC: area under the curve; CI: confidence interval.

点击查看大图

图3  各预测模型的决策曲线分析。3A：训练集；3B：测试集。
Fig. 3  Decision curve analysis of each prediction model. 3A: The training set; 3B: The test set.

点击查看大图

图4  通过SHAP实现模型的整体可视化。4A~4B：SHAP柱状图显示了模型中特征的权重，生境影像组学模型中wavelet_LHH_firstorder_Median_h3是最重要的特征，联合模型中患者的Rad-score（H）值对联合模型的预测贡献度最高；4C~4D：SHAP汇总图通过红色和蓝色表示每个特征对预测概率的积极或消极影响；4E：SHAP热图显示了模型中所有事例的每个特征的影响方向和强度，Shapley值越高颜色越接近红色；4F：SHAP决策图显示了每个显著特征对最终预测概率的影响过程。SHAP：沙普利可加性模型解释算法；Rad-score（H）：生境影像组学评分；MR-N：MRI N分期；CEA：癌胚抗原。
Fig. 4  Visualization of the model as a whole through SHAP. 4A-4B: The SHAP histogram shows the weights of the three features in the model, wavelet_LHH_firstorder_Median_h3 is the most important feature in the habitat radiomics model, and the patient's Rad-score (H) value has the highest predictive contribution to the combined model; 4C-4D: SHAP summary plots indicate the positive or negative impact of each feature on the predicted probability in red and blue, the higher the Shapley value, the closer the color is to red; 4E: The SHAP heat map shows the direction and intensity of the influence of each feature for all cases in the model; 4F: The SHAP decision diagram shows the process of the influence of each salient feature on the final prediction probability. SHAP: Shapley additive explanation; Rad-score (H): habitat radiomics score; MR-N: MRI N-stage; CEA: carcinoembryonic antigen.

点击查看大图

图5  男，72岁，无LNM直肠癌患者。5A：K^trans图像肿瘤感兴趣区体积勾画；5B：三维感兴趣区示意图；5C：生境亚区域划分；5D：病理学（HE ×40）结果；5E：SHAP力图模型预测患者为无LNM。
图6  男，57岁，LNM直肠癌患者。6A：K^trans图像肿瘤感兴趣区体积勾画；6B：三维感兴趣区示意图；6C：生境亚区域划分；6D：病理学（HE ×40）结果；6E：SHAP力图模型预测患者为LNM。LNM：淋巴结转移；MR-N：MRI N分期；CEA：癌胚抗原；Rad-score（H）：生境影像组学评分。
Fig. 5  A 72-year-old male rectal cancer patient with LNM negative. 5A: Delineation of the tumor volume of interest (VOI) on the K^trans image; 5B: Schematic diagram of the three-dimensional region of interest (3D ROI); 5C: Habitat sub-region segmentation; 5D: Pathological (HE × 40) examination results; 5E: SHAP force plot shows the model predicts patient belongs to the LNM negative group.
Fig. 6  A 57-year-old male rectal cancer patient with LNM positive. 6A: Delineation of the tumor volume of interest (VOI) on the K^trans image; 6B: Schematic diagram of the three-dimensional region of interest (3D ROI); 6C: Habitat sub-region segmentation; 6D: Pathological (HE × 40) examination results; 6E: SHAP force plot shows the model predicts patient belongs to the LNM positive group. LNM: lymph node metastasis; MR-N: MRI N-stage; CEA: carcinoembryonic antigen; Rad-score (H): habitat radiomics score.

点击查看表格

表5  临床模型、影像组学模型及联合模型的预测效能
Tab. 5  Predictive performance of clinical models, radiomics models, and combined models

3 讨论

       本研究首次基于DCE-MRI的K^trans定量参数图生境分析将直肠癌原发灶划分为不同的亚区域，结合影像组学表征肿瘤异质性，构建了联合生境影像组学和临床特征的可解释联合模型，可为术前无创预测直肠癌LNM状态提供一种有潜力的工具。此外，通过SHAP算法解释模型各变量对LNM风险的重要性排序，可视化个体水平的预测过程。在测试集中，生境影像组学+临床特征联合模型的预测性能优于临床模型和全肿瘤影像组学模型。

3.1 直肠癌LNM的临床相关预测因子

       CEA是直肠癌最重要的肿瘤标志物之一。本研究结果显示，术前CEA水平升高是直肠癌患者LNM的重要预测因子，这与既往研究的结果一致^{[25, 26, 27]}。这一发现可能是由于CEA水平较高，肿瘤细胞增殖能力相对较强，意味着分化较差、侵袭性增加和肿瘤更容易发生转移，已有研究表明术前CEA水平是直肠癌患者无病生存期的独立预测因子^[28]。在本研究中，单因素分析显示MR-N是LNM的危险因素。尽管传统的MRI在准确检测LNM方面存在不足^{[7, 29]}。一项来自荷兰的大型回顾性研究表明，对于2011年至2014年期间未接受术前治疗的直肠癌患者，使用术前临床淋巴结阳性预测病理淋巴结阳性的敏感度为38%，特异度为87%^[30]。但在临床实践中，高分辨率MRI是直肠癌患者术前评估的关键工具，是疾病局部分期的首选方法^[31]。此外，ZHENG等^[10]构建的预测直肠癌术前LNM的临床影像组学模型也包括影像学N分期。因此，术前的影像学评估是有必要的。本研究中的MRI评估由在腹部影像学诊断方面具有丰富经验的放射科医生进行，可以在一定程度上降低MR-N分期的错误率，从而可能提高临床模型的诊断效率。

3.2 LNM预测模型效能分析和临床应用

       近年来，随着对肿瘤生物信息的持续研究，通过影像组学分析方法从图像中提取高维定量特征来表征肿瘤微环境。ZHENG等^[10]利用多参数MRI影像组学模型预测直肠癌LNM，尽管模型性能表现良好，在训练集、内部和外部验证集中AUC分别为0.787、0.797和0.779。但现有的影像组学分析方法常将肿瘤视为一个均质的整体，难以准确全面量化肿瘤内异质性。直肠癌高度复杂的肿瘤内异质性导致了其生长速度、转移侵袭、药物敏感性以及患者预后存在显著差异。生境成像是通过对具有相似成像特征的体素进行聚类分析，将肿瘤分割成多个具有独特生物学特性的亚区域。将生境分析与影像组学方法结合，通过各生境亚区的定量影像特征来表征肿瘤的复杂异质性。既往研究开发的影像组学模型多是基于常规MRI序列，如QU等^[32]基于T2WI和DWI序列衍生的定量参数图（ADC）构建影像组学模型预测直肠癌非肿大LNM，尽管常规序列易于获取，但提供的生物学信息有限，不能反映肿瘤细胞的功能状态。基于DCE-MRI后处理获得K^trans定量参数图，K^trans值反映对比剂从血管腔内扩散到血管腔外的信息，是毛细血管通透性的标志物^[24]，可以间接反映肿瘤的血流灌注。因此，基于K^trans定量参数图划分肿瘤生境，使用生境影像组学来表征肿瘤微环境。本研究结果显示生境影像组学模型预测LNM的准确性优于传统影像组学模型和临床预测模型，与已有文献报道结果类似。WANG等^[33]使用多参数MRI影像组学模型评估直肠癌微卫星不稳定状态，生境影像组学模型在训练集和测试集AUC分别为0.848和0.8，均优于传统影像组学和临床模型；SHI等^[34]基于MRI构建的生境影像组学模型在预测局部晚期直肠癌异时性肝转移方面表现出优于传统影像组学模型的诊断效能。可能的原因是与全肿瘤影像组学相比，肿瘤亚区域影像组学更能反映肿瘤的生长和侵袭性^[35]。肿瘤并非均质团块，而是被认为是由结构、代谢和功能特征不同的异质子区域构成，每个区域具有独特的生物学行为^[36]。这种异质性驱动肿瘤演进、侵袭和转移。传统的全肿瘤影像组学提取的特征是内部不同生物学行为区域相互平均化后的结果，忽视了肿瘤内的异质性亚区域对肿瘤生物学行为的影响。

       生境亚区的划分有效地揭示了与肿瘤转移潜能相关的独特微环境异质性。本研究结果显示，亚区1表现为K^trans值较低且分布高度均质的区域，提示肿瘤内部的坏死或均匀纤维化区域^[37]，该区域通常增殖活性低，转移潜力有限。相比之下，亚区2、亚区3与亚区4共同构成了肿瘤内更具生物学活性及异质性的部分。值得注意的是，亚区3具有最高的K^trans值，提示该区域为肿瘤中血管生成最为旺盛、血流灌注最为丰富的区域^[38]。该高灌注区域常与上皮-间质转化^[39]、血管侵犯等密切相关，可能作为肿瘤细胞进入循环系统的“门户”。因此，生境分析能够从影像上识别并分离这些具有不同生物学行为的肿瘤亚区域。从最终筛选出的8个生境影像组学特征来看，有3个特征（wavelet_LHH_firstorder_Median_h3、wavelet_LHL_firstorder_Median_h2、wavelet_LHL_firstorder_Median_h3）均源自亚区2和亚区3的一阶中位数统计量。这表明，亚区2和亚区3的灰度强度分布，对于识别转移状态具有重要作用。特别是特征wavelet_LHH_firstorder_Median_h3是生境影像组学模型中贡献度最高的特征，它量化了亚区3在特定频带下的信号强度集中趋势。这意味着这些区域可能蕴藏着细胞密度、核质比或其他与增殖、侵袭性相关的微观结构变化，这些变化尽管难以肉眼辨识，但可通过影像组学捕获，并成为预测LNM的可靠影像标志物。此外，联合生境影像组学与临床特征构建联合模型的效能更优，这与已有的研究结果一致^{[25, 40, 41]}。

       同时，本研究应用SHAP可解释技术^[42]评估了各特征对预测患者LNM状态的贡献度，并通过SHAP汇总图、力图等可视化图表辅助临床医师深入理解模型。SHAP力图可对患者特征进行个性化解释与可视化展示：临床医师可通过图中箭头的颜色和长度，直观判断特征对个体患者的影响方向及程度。这种可视化方式清晰展现了各特征对患者预测结果的具体作用，有助于临床医师理解模型的预测逻辑。此外，我们通过典型案例将K^trans伪彩图、生境划分亚区与肿瘤的生物学异质性进行空间关联，为模型预测提供了直观的影像学基础。总体而言，该方法便于临床解读，有效提升了模型决策的可解释性。因此，本研究为临床早期预测直肠癌淋巴结状态提供了一种无创且可解释的预测模型。

3.3 本研究的局限性

       （1）本研究是单中心回顾性研究，样本量相对较小，可能会存在选择偏倚并限制模型的普遍适用性，需要进行多中心验证和更大的样本量以确定该模型的预测性能。（2）本研究仅基于K^trans参数图划分生境亚区，揭示的生物学信息有限，未来可以纳入多参数MRI进一步研究。（3）本研究是基于医师手工分割病灶VOI的勾画方式，操作耗时、费力且存在误差。未来，自动分割或半自动方法可以提高研究可重复性及模型泛化性。（4）最后，尽管本研究通过SHAP增强了模型的可解释性，但SHAP分析的结果高度依赖于本研究采用的特征筛选流程以及最终的模型选择。

4 结论

       综上，基于术前DCE-MRI生境影像组学特征和临床危险因素构建的可解释联合模型可以准确预测直肠癌患者的淋巴结状态。通过SHAP算法可对模型预测结果进行整体和个体可视化解读，有望为实现患者个体化治疗提供有价值的决策依据。