结直肠癌是全球癌症相关死亡的第二大原因，仅直肠癌就占这些病例的三分之一。腔外静脉侵犯（EMVI）是指位于肿瘤组织侵犯直肠系膜脂肪中固有肌肉以外的血管。肿瘤周围的间质脂肪组织受血管侵犯的风险增加，这反过来又会大大增加远处转移的风险。因此，EMVI可以被认为是直肠癌局部复发和远处转移的一个重要预测因素。准确识别EMVI状态对治疗决策和预后评估至关重要。

多参数磁共振成像（mpMRI）是直肠癌早期无创评估和EMVI检测的首选影像学手段。然而，mpMRI的空间分辨率有限，无法准确诊断小于3毫米的血管侵犯。有时也很难将这种小血管与小淋巴管和腹膜反向褶皱区分开来。此外，炎症、水肿和纤维化也会对mrEMVI的评估产生不利影响。因此，仅仅基于mpMRI的视觉评估不足以准确识别EMVI。因此，迫切需要开发一种客观、无创、准确的方法来进行EMVI的术前评估。

放射组学通过使用大数据挖掘技术来分析放射学特征和病理学数据之间的相关性。放射组学已成功用于直肠癌的诊断、治疗和预后评估。临床实践中需要高度准确和可靠的模型来改善决策过程，这可以通过机器学习算法实现。因此，我们假设可以利用mpMRI提取更多有价值的放射组学特征，并通过机器学习构建一个新的模型，以更好地预测和分层EMVI状态。

近日，发表在European Radiology杂志的一项研究应用基于mpMRI的放射组学对直肠癌的EMVI状态进行术前预测，使用不同的机器学习算法建立最佳的放射组学特征，并通过结合放射组学特征、临床及影像学特征开发和验证了联合模型以进行EMVI评估，为直肠癌患者的个性化治疗方案的制定的预后预测提供技术支持。

本研究回顾性地分析了317名直肠癌患者的临床及影像学资料。其中，114例为EMVI阳性，203例为EMVI阴性。从直肠癌的T2加权成像、T1加权成像、扩散加权成像和增强T1加权成像中提取放射组学特征，然后对这些特征进行降维。训练了逻辑回归、支持向量机、贝叶斯、K-近邻和随机森林算法来获得放射组学特征。应用受试者工作特性曲线下的面积（AUC）评估每个放射组学特征的性能。选择最佳的放射组学特征，并与临床和放射学特征相结合，构建预测EMVI的联合模型。最后，评估了联合模型的预测性能。 

基于贝叶斯的放射组学特征在训练集和测试集中都表现良好，AUCs为0.744和0.738，敏感度为0.754和0.728，特异度为0.887和0.918。联合模型在训练集和测试集中表现最好，AUC为0.839和0.835，敏感度为0.633和0.714，特异度为0.901和0.885。 

图 两例直肠癌，组织病理学检查显示EMVI阳性。 a-d 一个病例在 MRI 上有明显的 EMVI，这也可以被联合模型检测到。 e-h 另一个是联合模型检测到的 EMVI，在 MRI 上不明显。

本项研究表明，基于mpMRI的放射组学可以提高直肠癌患者术前EMVI预测的诊断性能，特别是对于没有经验的放射科医生和住院医生来说更有意义。基于放射组学特征的视觉列线图是一个十分有临床价值的影像学工具，可以在很大程度上避免因放射科医生经验不足而造成的误诊。本研究结果还为将来能使用联合模型对直肠癌进行风险分层提供了重要证据。

原文出处：

Zhenyu Shu,Dewang Mao,Qiaowei Song.Multiparameter MRI-based radiomics for preoperative prediction of extramural venous invasion in rectal cancer.DOI:10.1007/s00330-021-08242-9