基于原發(fā)癌灶T2WI的影像組學(xué)特征預(yù)測(cè)局部進(jìn)展期直腸癌新輔助治療療效及多種分類器效能比較

胡鴻博，趙升，姜昊，姜慧杰*，藺雪，張瑩

0 前言

有文獻(xiàn)報(bào)道，13.0%～22.2%接受新輔助放化療（neoadjuvant chemoradiotherapy, nCRT）的局部進(jìn)展期直腸癌（locally advanced rectal cancer,LARC）患者可以獲得病理完全緩解（pathological complete response, pCR）[1]。對(duì)于在根治性手術(shù)前已經(jīng)達(dá)到pCR 的患者，因其局部無(wú)腫瘤細(xì)胞殘留，故可以在嚴(yán)格隨訪下采取“觀察等待”的治療策略，從而避免根治性手術(shù)帶來(lái)的吻合口漏、永久性造口、排尿障礙、性功能障礙等風(fēng)險(xiǎn)[2-3]。因此，直腸癌新輔助治療后pCR 相關(guān)因素的探究及精準(zhǔn)預(yù)測(cè)則成為近年來(lái)直腸癌領(lǐng)域研究的熱門(mén)話題。目前CT 或MRI影像學(xué)檢查結(jié)果是新輔助治療效果判斷的重要依據(jù)[2,4-5]。

近年來(lái)，影像組學(xué)已經(jīng)發(fā)表了大量的研究，其目的是通過(guò)從腫瘤圖像中提取可挖掘的數(shù)據(jù)來(lái)量化腫瘤的異質(zhì)性[6-7]。先前的影像組學(xué)研究表明，從不同醫(yī)學(xué)圖像中提取的圖像特征可以預(yù)測(cè)直腸癌患者的nCRT 反應(yīng)[1,8-9]?；趯?duì)影像特征的研究，大量的機(jī)器學(xué)習(xí)算法被應(yīng)用于影像特征的選擇和分類。作為一種新方法，機(jī)器學(xué)習(xí)在皮膚、頭頸部和結(jié)直腸癌等不同的放射研究中顯示出巨大的潛力[10-11]。目前已經(jīng)有研究者將機(jī)器學(xué)習(xí)及深度學(xué)習(xí)應(yīng)用在LARC的化療敏感性的預(yù)測(cè)上[1-2]，但是還沒(méi)有研究比較不同的機(jī)器學(xué)習(xí)方法（包括CNN、NN、SVM、NB）的效能。這對(duì)于未來(lái)臨床上選擇精準(zhǔn)的模型是一個(gè)缺陷。機(jī)器學(xué)習(xí)根據(jù)研究變量類型的不同，通常分為分類和回歸的研究，在本研究中，我們利用不同的機(jī)器學(xué)習(xí)算法提取直腸MRI放射特征，構(gòu)建影像組學(xué)模型預(yù)測(cè)LARC治療療效，我們旨在比較不同的個(gè)體機(jī)器學(xué)習(xí)算法構(gòu)建的影像組學(xué)模型預(yù)測(cè)效能，以找到最佳的預(yù)測(cè)模型，為臨床上根據(jù)影像水平制訂LARC 治療方案提供重要基礎(chǔ)。

1 材料與方法

1.1 研究對(duì)象

本研究為回顧性研究，遵守《赫爾辛基宣言》，并經(jīng)哈爾濱醫(yī)科大學(xué)倫理委員會(huì)審核通過(guò)，免除受試者知情同意，倫理批文號(hào)：sydwgzx2020-094。對(duì)2021 年9 月至2023 年1 月在我院確診為直腸癌的患者病例資料進(jìn)行回顧性分析。納入標(biāo)準(zhǔn)：（1）經(jīng)結(jié)腸鏡活檢確診的直腸癌患者；（2）治療前經(jīng)影像學(xué)檢查診斷為L(zhǎng)ARC 的患者；（3）手術(shù)治療前接受nCRT 治療。排除標(biāo)準(zhǔn)：（1）在nCRT之前接受其他抗腫瘤治療的患者；（2）臨床數(shù)據(jù)不完整；（3）圖像不清晰，影響分析結(jié)果；（4）患者有其他并發(fā)癥者；（5）特殊類型的直腸癌、黏液腺癌排除。

1.2 MRI圖像采集

所有患者均接受直腸MRI掃描，為患者佩戴隔音耳塞，避免對(duì)聽(tīng)力造成不必要的損壞。為了避免金屬偽影的干擾，叮囑患者將所有金屬物品移除，包括內(nèi)衣上的金屬物，盡量保證圖像不受外界因素干擾。

使用3.0 T GE Discovery MR 750w MRI 儀掃描，相控陣體部線圈采集圖像。掃描序列及參數(shù)詳見(jiàn)表1。

表1 MRI序列及參數(shù)Tab.1 Summary of MRI sequences and parameters

1.3 nCRT方案

對(duì)所有患者進(jìn)行了5周的調(diào)強(qiáng)的放射治療，并伴有每天口服卡培他濱（1650 mg/m2）的同步化療。所有患者均在CT模擬器上進(jìn)行了模擬。兩名專門(mén)從事臨床腫瘤學(xué)和放射治療的物理學(xué)家與一名具有10年工作經(jīng)驗(yàn)的正高職稱放射科醫(yī)生一起參與了目標(biāo)區(qū)域的劃分。使用臨床檢查、結(jié)腸鏡檢查、骨盆MRI 和CT 檢查的所有信息定義總腫瘤體積?？偰[瘤體積覆蓋了直腸病變和任何可疑的轉(zhuǎn)移性淋巴結(jié)。對(duì)于低位直腸腫瘤，臨床靶區(qū)還包括坐骨神經(jīng)直腸窩，以涵蓋陰部和直腸下結(jié)。計(jì)劃靶區(qū)被定義為超出臨床靶區(qū)范圍1.0 cm，局限性處于危險(xiǎn)中的器官如下：膀胱V50≤50%；小腸V20≤50%；Dmax≤50 Gy；雙側(cè)股骨頭V50≤5%?；煼桨甘褂每ㄅ嗨麨I（放療期間每天兩次，兩次800 mg/m2）。所有患者接受nCRT 后采取全直腸系膜切除術(shù)。

1.4 評(píng)價(jià)標(biāo)準(zhǔn)

術(shù)后標(biāo)本由高年資病理科醫(yī)師取材、核片。根據(jù)腫瘤退縮分級(jí)（tumor regression grading, TRG）進(jìn)行評(píng)分：TRG 0為無(wú)退縮發(fā)生；TRG 1為腫瘤組織基本未發(fā)生形態(tài)學(xué)改變；TRG 2為中度退縮；TRG 3為明顯退縮；TRG 4 為完全退縮。根據(jù)TRG 將nCRT 后的LARC患者分為pCR組和non-pCR組[12]。

1.5 圖像選取和特征提取

將上述高分辨T2WI 原始的DICOM 格式圖像導(dǎo)入后處理平臺(tái)（Radcloud，大數(shù)據(jù)智能分析云平臺(tái)，慧影醫(yī)療科技有限公司，北京）。對(duì)圖像進(jìn)行標(biāo)準(zhǔn)化預(yù)處理，采用Z-score標(biāo)準(zhǔn)化方法先計(jì)算出原始圖像的像素矩陣的均值和標(biāo)準(zhǔn)差，然后再進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化。兩名具有5年以上經(jīng)驗(yàn)的影像科醫(yī)師采用手動(dòng)方式在T2WI 圖像上共同沿病變邊緣逐層勾畫(huà)全部病灶的感興趣區(qū)（region of interest, ROI），計(jì)算機(jī)自動(dòng)生成病灶的三維容積感興趣區(qū)（volume of interest,VOI）。使用上述獲取到的ROI 自動(dòng)提取影像組學(xué)特征，包含兩類特征。（1）基于特征類：①一階統(tǒng)計(jì)量特征，如峰值、均值、方差等；②形狀特征；③紋理特征，包括灰度共生矩陣、灰度游程矩陣、灰度區(qū)域大小矩陣和領(lǐng)域灰度差分矩陣，可以量化所選區(qū)域的異質(zhì)性。（2）基于過(guò)濾器類：對(duì)圖像進(jìn)行指數(shù)濾波變換、平方濾波變換、平方根濾波變換、對(duì)數(shù)濾波變換、局部二進(jìn)制模式和小波變換等多種濾波器變換后的特征?？傆?jì)提取了1409個(gè)影像組學(xué)特征。

1.6 特征選擇及模型構(gòu)建

采用最小絕對(duì)收縮和選擇算子（least absolute shrinkage and selection operator, LASSO）算法進(jìn)行特征值降維，選擇出對(duì)鑒別新輔助治療療效有價(jià)值的特征。將篩選得到的9個(gè)影像組學(xué)特征及其相應(yīng)的回歸系數(shù)加權(quán)線性組合，構(gòu)建影像組學(xué)標(biāo)簽。影像組學(xué)評(píng)分（radiomics score, Radscore）是根據(jù)模型計(jì)算的評(píng)分，反映每位患者影像組學(xué)綜合結(jié)果，Radscore=∑Ni= 1ωi·xi+β，其中N 為特征的數(shù)量，ωi是第i 個(gè)特征的權(quán)重，xi是第i個(gè)特征的值，β為偏置項(xiàng)[1]。

1.7 分析流程

將納入研究的160 例病例按照8∶2 比例隨機(jī)分為訓(xùn)練集及驗(yàn)證集。使用Python scikit-learn 統(tǒng)計(jì)建模。首先對(duì)紋理特征參數(shù)篩選，行正態(tài)檢驗(yàn)（Kolmogorov-Smirnov檢驗(yàn)）和方差齊性檢驗(yàn)（Bartlett檢驗(yàn)）。對(duì)于連續(xù)變量采用t檢驗(yàn)，用Fisher 精確檢驗(yàn)或卡方檢驗(yàn)比較組間分類變量。特征子集的選擇、機(jī)器學(xué)習(xí)算法模型的創(chuàng)建以及二次采樣檢驗(yàn)，通過(guò)此過(guò)程建立預(yù)測(cè)模型使其能夠?qū)ARC nCRT療效進(jìn)行有效的預(yù)測(cè)。對(duì)于每一個(gè)機(jī)器學(xué)習(xí)組合，使用交叉驗(yàn)證在訓(xùn)練集中訓(xùn)練模型，計(jì)算受試者工作特征（receiver operating characteristic,ROC）曲線下面積（area under the curve, AUC）、準(zhǔn)確率、特異度和敏感度。

1.8 多變量回歸模型構(gòu)建

將患者病例根據(jù)化療效果分類標(biāo)準(zhǔn)分為non-pCR和pCR兩組，分別使用四個(gè)單獨(dú)的分類器：支持向量機(jī)（support vector machines, SVM）、樸素貝葉斯（naive Bayes, NB）、神經(jīng)網(wǎng)絡(luò)（neural network,NN）、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks,CNN）（表2）。所有分類均用SPSS軟件包進(jìn)行，預(yù)測(cè)性能評(píng)估使用AUC評(píng)估，驗(yàn)證集圖像信息用于模型驗(yàn)證。

表2 患者分組及基線資料統(tǒng)計(jì)Tab.2 Patient grouping and baseline data statistics

1.9 統(tǒng)計(jì)學(xué)分析

使用SPSS 22.0 軟件對(duì)預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)學(xué)分析。以病理結(jié)果為金標(biāo)準(zhǔn)，繪制ROC曲線，并計(jì)算AUC值，從而評(píng)估模型預(yù)測(cè)效能，在訓(xùn)練集中采用陽(yáng)性預(yù)測(cè)值、陰性預(yù)測(cè)值、準(zhǔn)確度、F1 值、AUC 值及DeLong 檢驗(yàn)評(píng)估4種模型的預(yù)測(cè)性能，所有指標(biāo)的結(jié)果均以均值及其95%CI表示。對(duì)于訓(xùn)練集和驗(yàn)證集，利用t檢驗(yàn)評(píng)估兩組成像參數(shù)的差異。P＜0.05 認(rèn)為差異具有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 納入病例基線數(shù)據(jù)

本研究最終選取符合標(biāo)準(zhǔn)的160 例LARC 患者的數(shù)據(jù)，其中男83 例，女77 例，年齡（62.4±15.5）歲。按照8∶2 的比例分為了訓(xùn)練集（128 例）及驗(yàn)證集（32 例）。訓(xùn)練集中反應(yīng)良好82 例，反應(yīng)不良46 例，驗(yàn)證集中反應(yīng)良好21 例，反應(yīng)不良11 例。患者組間基線資料差異均無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05）。納入病例臨床特征詳見(jiàn)表2。

2.2 組學(xué)特征篩選

將影像組學(xué)特征中提取得到的1409個(gè)組學(xué)特征采用LASSO 算法進(jìn)行特征值降維（圖1A、1B），共篩選得到9 個(gè)系數(shù)不為零的特征納入后續(xù)分析。圖1C 為最終優(yōu)化的特征子集及其對(duì)應(yīng)的權(quán)重系數(shù)示意圖。

圖1 LASSO篩選與新輔助放化療治療相關(guān)的組學(xué)特征。1A：通過(guò)五折交叉驗(yàn)證尋找最優(yōu)的超參數(shù)λ值使模型偏差最??；1B：不同紋理特征系數(shù)隨λ變化的關(guān)系圖；1C：篩選得到的特征中LASSO 系數(shù)值，其中特征值包括相異度（Dissimilarity）、灰度特征平均值（SumAverge）、對(duì)比度（Contrast）、反差分矩陣（InverseDifferentialMoment），內(nèi)矩（InterQuartleRange）、集群突出物（ClusterProminence）、集群趨勢(shì)（ClusterTendency）。LASSO：最小絕對(duì)收縮和選擇算子。Fig.1 The histological characteristics related to LASSO screening and neoadjuvant chemoradiotherapy treatment.1A: Searching for the optimal hyperparameter through 5-fold cross validation λ, the value minimizes the model deviation; 1B: The variation of different texture feature coefficients with λ a graph of changes; 1C:The LASSO coefficient values among the selected features, including Dissimilarity, SumAverge, Contrast, InverseDifferentialMoment, InterQuartleRange,ClusterProminence, ClusterTendency.LASSO: least absolute shrinkage and selection operator.

2.3 特征值與nCRT效果相關(guān)程度評(píng)估

通過(guò)LASSO降維后得到的9個(gè)組學(xué)特征與nCRT反應(yīng)高度相關(guān)。分別為：相關(guān)性（Correlation），反映了局部灰度相關(guān)性；相異度（Dissimilarity），反映灰度差異性；灰度特征平均值（SumAverge）、對(duì)比度（Contrast），反映像素間灰度值差別；反差分矩陣（Inverse Differential Moment, IDM），反映紋理的清晰程度和規(guī)則程度；內(nèi)矩（InterQuartleRange），指兩個(gè)四分位數(shù)之差；集群突出物（ClusterProminence），指圖像中紋路與紋案反差；集群趨勢(shì)（ClusterTendency），指具有相似灰度值的體素分組的度量?；谶@些特征利用進(jìn)入法logisitc模型分別對(duì)nCRT 治療效果進(jìn)行評(píng)估，其診斷性能如圖2 所示：AutoCorriation 具有最高的診斷性能，AUC=0.70；其他特征診斷性能分別為InterQuartleRange的AUC=0.66、CluterTendendcy 的AUC=0.63、IDM 的AUC=0.62、SumAverge的AUC=0.62。

圖2 與新輔助放化療相關(guān)的特征診斷效能評(píng)估。AUC：曲線下面積。Fig.2 Evaluation of feature diagnosis effectiveness related to neoadjuvant chemoradiotherapy.AUC: area under the curve.

2.4 pCR和non-pCR組特征值結(jié)果比較

經(jīng)過(guò)LASSO 算法共篩選出9 個(gè)與化療效果相關(guān)的特征，包括一階統(tǒng)計(jì)特征，灰度共生矩陣特征等。對(duì)比每個(gè)特征在pCR 和non-pCR 組間的差異發(fā)現(xiàn)，雖然兩組之間的特征存在差異，但差異不具有統(tǒng)計(jì)學(xué)意義（P＞0.05）（圖3）。

圖3 與新輔助放化療（nCRT）相關(guān)的特征在病理非完全緩解（non-pCR）和病理完全緩解（pCR）組中的差異分析，縱坐標(biāo)為相關(guān)性值。Fig.3 Differences in features related to neoadjuvant chemoradiotherapy (nCRT) in non-pathological complete response(non-pCR) and pathological complete response (pCR) groups.The vertical axis is the relevant statistical value.

2.5 分類器預(yù)測(cè)表現(xiàn)

CNN、NB、NN、SVM 四種分類器訓(xùn)練集和驗(yàn)證集的ROC 曲線見(jiàn)圖4。四種分類器訓(xùn)練集的AUC 分別為0.8735、0.7834、0.9038、0.9150，驗(yàn)證集的AUC 分別為0.8020、0.7790、0.5900、0.7330。其中SVM分類器在訓(xùn)練集的AUC 為0.9150，敏感度為73.6%，特異度為75.3%，95%CI為0.695～0.995（表3），較其他三種模型有更好的診斷效能。不同分類器模型組間DeLong檢驗(yàn)結(jié)果顯示，SVM分類器與其他的分類器有顯著性差異（P均＜0.05）。

圖4 四種不同分類器方法對(duì)新輔助放化療響應(yīng)診斷效能比較。CNN：卷積神經(jīng)網(wǎng)絡(luò)；NB：樸素貝葉斯；NN：神經(jīng)網(wǎng)絡(luò)；SVM：支持向量機(jī)。Fig.4 Comparison of the diagnostic performance of four different classifier methods for neoadjuvant chemoradiotherapy response.CNN:convolutional neural networks; NB: naive Bayes; NN: neural network;SVM: support vector machines.

表3 訓(xùn)練集及驗(yàn)證集的AUC值Tab.3 The AUC of each classifier in training set and validation set

3 討論

在本研究中，我們分析了影像組學(xué)特征與LARC nCRT療效之間的相關(guān)性，發(fā)現(xiàn)2個(gè)灰度尺寸區(qū)域矩陣特征，4個(gè)鄰域灰度差分矩陣特征，2個(gè)灰度依賴矩陣特征，1個(gè)灰度共生矩陣特征與LARC的nCRT療效具有相關(guān)性。根據(jù)這些紋理特征的定義，鄰域灰度差分矩特征描述的是同質(zhì)性區(qū)域的特征，可以量化圖像中的灰度級(jí)區(qū)域，與腫瘤組織侵犯高度相關(guān)，說(shuō)明在局部尺度上反映了腫瘤的特性?；叶瘸叽鐓^(qū)域矩陣是可以描述圖像亮度的二變量條件概率密度，對(duì)腫瘤邊界具有很好的區(qū)分潛能。灰度依賴矩陣可以對(duì)圖像進(jìn)行分隔和識(shí)別，對(duì)腫瘤識(shí)別具有重要意義。灰度共生矩陣不僅反映亮度的分布特征，也反映具有同樣亮度或接近亮度的像素之間的位置分布特性，可以對(duì)腫瘤內(nèi)細(xì)小的灰階變化做出敏感的應(yīng)答。不同于傳統(tǒng)機(jī)器研究方法，我們使用灰度共生矩陣紋理特征取得最佳的病理反應(yīng)預(yù)測(cè)效能。并且使用LASSO對(duì)特征進(jìn)行進(jìn)一步篩選，選取了9個(gè)特征，全部來(lái)自灰度共生矩陣紋理特征。這使得最終納入研究的變量具有更加強(qiáng)的魯棒性?？奢o助臨床制訂更加精準(zhǔn)的治療策略。

3.1 影像組學(xué)預(yù)測(cè)LARC治療效果應(yīng)用

現(xiàn)今，影像組學(xué)對(duì)直腸癌的研究成為熱點(diǎn)，國(guó)內(nèi)外很多學(xué)者把目光都聚焦在腫瘤紋理特征的提取、直腸良惡性病變的鑒別、直腸癌術(shù)前的評(píng)估、直腸癌淋巴結(jié)轉(zhuǎn)移的認(rèn)定[13-17]。SONG等[18]利用148個(gè)直腸病例的紋理分析對(duì)直腸良惡性病變進(jìn)行鑒別，得到了很高的敏感性及特異性。另外還有學(xué)者利用LASSO模型直腸癌患者術(shù)前影像資料進(jìn)行特征分析，獲得的組學(xué)特征可以區(qū)分早期直腸癌與進(jìn)展期直腸癌，得到的AUC值十分理想，說(shuō)明了影像組學(xué)可以有助于直腸癌的術(shù)前分期[19-21]。除了上述對(duì)腫瘤分期的預(yù)測(cè)，也有研究聚焦在預(yù)測(cè)nCRT 響應(yīng)效率上。這對(duì)于制訂個(gè)體化的治療方案尤其重要。YI等[22]通過(guò)SVM分類器建立了預(yù)測(cè)pCR的MRI影像組學(xué)模型，AUC值達(dá)到0.91。揭示了影像組學(xué)模型在預(yù)測(cè)pCR中的價(jià)值。此外，既往研究中往往只使用一種分類器來(lái)進(jìn)行建模，而對(duì)性能表現(xiàn)最佳的分類器沒(méi)有共識(shí)，為了評(píng)估不同分類器的預(yù)測(cè)性能，本研究利用不同的機(jī)器學(xué)習(xí)算法提取直腸MRI放射特征，構(gòu)建影像組學(xué)模型預(yù)測(cè)LARC治療療效，發(fā)現(xiàn)SVM、NB、NN、CNN 分類器模型可以對(duì)直腸癌nCRT療效進(jìn)行評(píng)估，其中SVM分類器模型診斷效能最佳。本研究的結(jié)果與DEIST 等[23]的研究并不一致，該研究收集了不同腫瘤治療部位的12個(gè)數(shù)據(jù)集，并比較了不同分類器的預(yù)測(cè)能力。他們發(fā)現(xiàn)，隨機(jī)森林（random forest, RF）分類器在識(shí)別放化療結(jié)果比其他分類器具有更高的性能。這可能是由于建模所用患者人種不同，也可能與所納入模型的特征不同有關(guān)，總之本研究的結(jié)果提示在不同的樣本中，分類器的效能可能會(huì)有所差別。未來(lái)可以通過(guò)納入更多中心的樣本來(lái)進(jìn)一步評(píng)估，也可以通過(guò)薈萃分析進(jìn)行整體的評(píng)估。本研究為明確分類器效能提供了重要的數(shù)據(jù)基礎(chǔ)。對(duì)比NIE等[24]從T1/T2WI、DWI和DCE-MR圖像中提取的放射特征可以增強(qiáng)術(shù)前nCRT對(duì)LARC病理反應(yīng)的預(yù)測(cè)能力，本研究更能具體體現(xiàn)不同的特征在直腸癌治療效果評(píng)估方面的價(jià)值。

3.2 不同機(jī)器學(xué)習(xí)構(gòu)建影像組學(xué)模型的比較

周彥汝等[25]研究構(gòu)建了3 種機(jī)器學(xué)習(xí)模型：RF、SVM、邏輯回歸（logistic regression, LR），在預(yù)測(cè)LARC nCRT 治療后pCR 方面有可觀的準(zhǔn)確率，其中采用LR方法建立的機(jī)器學(xué)習(xí)模型較其他機(jī)器學(xué)習(xí)模型診斷效能更高，有潛力應(yīng)用于臨床實(shí)踐。說(shuō)明不同模型在預(yù)測(cè)效能上具有一定差別。梁納[26]的研究中證實(shí)基于治療前MRI T2WI序列的影像組學(xué)研究在治療前對(duì)LARC nCRT敏感性的預(yù)測(cè)有一定參考價(jià)值，對(duì)臨床醫(yī)師治療前篩選適合放化療的患者有一定幫助。在劉恩瑞[27]的研究中證實(shí)影像組學(xué)對(duì)新輔助治療的病理反應(yīng)有較準(zhǔn)確的預(yù)測(cè)作用，其中RF 算法表現(xiàn)最好，預(yù)測(cè)精度最優(yōu)。與機(jī)器學(xué)習(xí)的相似的模型還有深度學(xué)習(xí)，所用的數(shù)據(jù)量更大，LIU 等[28]的多中心研究表明深度學(xué)習(xí)在區(qū)別LARC 化療敏感度的AUC值為0.747。其他通過(guò)深度學(xué)習(xí)構(gòu)建模型的研究AUC值也均在0.7左右[29-30]。這表明機(jī)器學(xué)習(xí)的區(qū)別效能不弱于深度學(xué)習(xí)，具有臨床參考價(jià)值。本研究首次基于多種MRI 機(jī)器學(xué)習(xí)方法來(lái)預(yù)測(cè)直腸癌nCRT 反應(yīng)，并證明了這些方法在預(yù)測(cè)治療反應(yīng)方面的有效性。本研究結(jié)果顯示，所有機(jī)器方法AUC均超過(guò)70%；還發(fā)現(xiàn)在單個(gè)方法中，SVM是預(yù)測(cè)最佳模型。

3.3 本研究的局限性

本研究同樣存在局限性，主要反映在以下幾個(gè)方面：第一，本研究中ROI的分割采用手動(dòng)勾畫(huà)，很難避免誤差的產(chǎn)生，同時(shí)摻雜了主觀因素的影響，如果是半自動(dòng)或者自動(dòng)分割可能效果更好，自動(dòng)分割更適合大規(guī)模的數(shù)據(jù)處理；第二，我們的影像組學(xué)研究部分對(duì)圖像的分割處理沒(méi)有進(jìn)行一致性檢驗(yàn)，其準(zhǔn)確性可能受到影響，分割方法的自動(dòng)化可能是未來(lái)的熱點(diǎn)方向；第三，本研究病例數(shù)較少且分布欠均勻，沒(méi)有包括未行手術(shù)治療、無(wú)病理結(jié)果的患者；第四，為了盡量避免偏差，本研究都為同一所醫(yī)院，使用同樣的設(shè)備進(jìn)行采集，但是這樣可能會(huì)存在缺少多中心病例的數(shù)據(jù)，不能反映疾病的整體性及普遍性的問(wèn)題，今后可以加入多中心影像組學(xué)特征提取的研究，從而進(jìn)一步進(jìn)行外部驗(yàn)證；第五，影像組學(xué)部分的研究特征提取，并沒(méi)有結(jié)合臨床的實(shí)驗(yàn)室檢查指標(biāo)，如CA125、CA199等指標(biāo)，可以在今后的研究中進(jìn)行補(bǔ)充。

4 結(jié)論

綜上所述，基于治療前MRI 影像組學(xué)方法預(yù)測(cè)LARC患者nCRT后pCR有一定的價(jià)值，在不同的機(jī)器學(xué)習(xí)建模方法中，SVM 分類器的效能最佳。為臨床治療決策提供更充足的依據(jù)，隨著精準(zhǔn)醫(yī)療和大數(shù)據(jù)時(shí)代的來(lái)臨，相信我們可以利用影像組學(xué)為個(gè)性化的臨床決策提供方案，可以為臨床治療提供新的思路。

作者利益沖突聲明：全體作者均聲明無(wú)利益沖突。

作者貢獻(xiàn)聲明：姜慧杰設(shè)計(jì)本研究的方案，對(duì)稿件重要內(nèi)容進(jìn)行了修改，獲得了國(guó)家自然科學(xué)基金面上項(xiàng)目資助；胡鴻博起草和撰寫(xiě)稿件，獲取、分析或解釋本研究的數(shù)據(jù)；趙升，姜昊，藺雪，張瑩獲取、分析或解釋本研究的數(shù)據(jù)，對(duì)稿件重要內(nèi)容進(jìn)行了修改；全體作者都同意發(fā)表最后的修改稿，同意對(duì)本研究的所有方面負(fù)責(zé)，確保本研究的準(zhǔn)確性和誠(chéng)信。