在全球范围内，食管癌是发病率排名第七、死亡率排名第六的恶性肿瘤，而食管鳞状细胞癌(ESCC)在亚洲地区尤为常见。大多数ESCC患者在确诊时已处于晚期阶段，导致预后较差，术后生存期受多种因素影响而存在较大差异。临床上，TNM分期系统（美国癌症联合委员会，AJCC）是关键的预后因素，但其主要依赖组织病理学，在肿瘤异质性方面提供的预后信息有限。影像组学(Radiomics)技术的出现为这一困境带来了曙光，它能够从医学图像中提取定量特征，通过识别对预后模型至关重要的亚视觉特征类别，为预后评估提供新的视角。
增强CT多平面重建是确定食管癌位置、肿瘤浸润深度和区域淋巴结转移的标准检查方式，但在软组织对比度方面存在局限性。MRI则能在CT显示肿瘤与周围结构关系不明确时提供补充信息。本研究中使用的StarVIBE序列具有更高的空间分辨率，能更好地显示食管壁结构，同时最大程度地减少呼吸运动伪影。
尽管已有研究探索了基于CT和MRI的单模态影像组学在食管癌中的应用，但很少有研究在大规模队列中全面整合CT和MRI影像组学特征，并针对不同治疗方式（手术、放化疗和新辅助治疗）进行分层分析。这项发表在《Translational Oncology》上的研究正是为了填补这一空白，通过整合增强CT和MRI的影像组学特征与临床、放射学特征，为ESCC患者开发并验证了针对不同治疗类型的最佳单模态和多模态预后模型。
研究人员采用回顾性研究方法，纳入了2014年9月至2019年12月期间接受基线增强CT和3T MRI检查的371例ESCC患者。这些患者接受了直接手术、放化疗或新辅助治疗，并实现了R0切除或完全临床缓解。总生存期(OS)从诊断开始计算，无病生存期(DFS)从手术或放化疗完成日期开始计算。研究获得了机构审查委员会的批准，并豁免了知情同意。随访持续至2022年12月。
关键技术方法包括：使用ITK-SNAP软件进行肿瘤分割；通过PyRadiomics（版本3.0.1）提取386个影像组学特征，包括形状、一阶、纹理特征以及经过小波变换和拉普拉斯高斯(LoG)滤波变换的特征；采用弹性网络Cox回归(Elastic-Net-Cox)进行特征选择和模型构建；将患者按治疗类型分为三个亚组（直接手术、放化疗、新辅助治疗），分别构建单模态和多模态预后模型；通过C指数(C-index)、校准曲线和决策曲线分析(DCA)评估模型性能。
临床特征
研究共纳入371例ESCC患者，分为259例训练集和112例测试集，平均年龄63岁。其中102例（训练71例，测试31例）接受直接手术，80例（训练56例，测试24例）接受新辅助治疗，189例（训练132例，测试57例）接受放化疗。训练集和测试集在临床特征上无显著差异（p> 0.05）。基线MR T分期与CT T分期的一致性分别为0.750和0.883。评估MR和CT上肿瘤长度和厚度的ICC值分别为0.989、0.995、0.990和0.992（p< 0.05）。
影像组学特征
提取的图像影像组学特征包括14个形状特征、18个一阶特征、24个灰度共生矩阵(GLCM)特征、16个灰度大小区域矩阵(GLSZM)特征、16个灰度游程长度矩阵(GLRLM)特征、5个邻域灰度色调差异矩阵(NGTDM)特征和14个灰度依赖矩阵(GLDM)特征。经过小波和LoG变换后，共筛选出279个影像组学特征。
单模态模型构建
在直接手术患者亚组(Model-S)中，预测DFS时，MR基础模型的最佳性能为0.595，CT基础模型为0.686；预测OS时，MR基础模型为0.692，CT基础模型为0.656。在放化疗患者亚组(Model-CRT)中，预测DFS时，MR基础模型的最佳性能为0.608，CT基础模型为0.616；预测OS时，MR基础模型为0.597，CT基础模型为0.623。在新辅助治疗患者亚组(Model-nT)中，预测DFS时，MR基础模型的最佳性能为0.721，CT基础模型为0.667；预测OS时，MR基础模型为0.650，CT基础模型为0.695。
多模态模型的构建与验证
多模态预后模型显著优于单模态模型。对于DFS，最优多模态预后模型的C指数分别为：Model-S为0.750 [0.651–0.840]，Model-CRT为0.695 [0.645–0.745]，Model-nT为0.839 [0.767–0.909]。对于OS，最优多模态预后模型的C指数分别为：Model-S为0.898 [0.851–0.940]，Model-CRT为0.777 [0.736–0.815]，Model-nT为0.819 [0.733–0.898]。研究人员构建了诺莫图(Nomogram)来可视化多模态最优模型在1年、2年和3年的生存概率。校准曲线显示最优模型具有良好的校准度，决策曲线分析(DCA)显示在阈值大于0.25后，最优模型具有良好的净临床收益。
研究结论表明，基于CT和MRI构建的影像组学模型具有预测ESCC患者DFS和OS的潜力，而结合两种模态的影像组学特征能显著提高模型的预测效能。值得注意的是，基于MRI的最优模型比基于CT的单模态模型更可能包含放射学特征，这表明MRI放射学特征对模型的贡献更大。
讨论部分深入分析了研究结果的意义和局限性。从患者基线特征信息可以看出，MRI测量的肿瘤长度略大于CT观察值，而MRI测量的肿瘤厚度略小于CT值。这种差异很可能源于MRI优越的软组织对比度，能更清晰地显示食管壁的分层结构，更符合临床评估经验。由于在CT测量中存在基于食管壁增厚来区分病变部位的偏好，这会导致在肿瘤与正常组织交界处较小的病变在CT上较难检测。相比之下，MRI能够涵盖更广泛的肿瘤范围，并能更准确地观察肿瘤侵犯食管壁的范围。这些原因最终导致主观测量的放射学特征存在差异，这也解释了为什么放射学特征主要被纳入基于MRI的最优模型而非基于CT的模型，进一步说明了MRI的优势和放射学特征的重要性。
与近期探索多模态影像组学在食管癌中潜力的研究相比，本研究在几个关键方面进行了拓展。关于研究人群，本研究纳入了371例患者的大规模队列，涵盖三种主要治疗策略：直接手术、新辅助治疗和放化疗，使研究结果能为更广泛的临床实践提供预后分层。关于成像技术，本研究使用了StarVIBE MRI序列，这是一种专门设计用于最小化呼吸和心脏运动伪影的3D容积序列，可能为食管提供更稳定的影像组学特征。关于方法学，本研究采用弹性网络Cox回归(Elastic-Net-Cox)进行特征选择，结合了LASSO和Ridge回归的优点，有助于保留相关特征组，并增强高维数据集中模型的稳定性。
本研究存在几个局限性。首先，样本量，特别是新辅助治疗亚组（n= 80）相对较小。尽管尝试通过交叉验证来缓解这一问题，但仍需要更大的队列。其次，关于T分期，内镜超声(EUS)是临床金标准，但由于研究的回顾性性质，并非所有患者都接受了EUS检查。再次，这是单中心研究，缺乏外部验证。最后，从单一序列获取高通量信息可能会遗漏某些信息。
总之，这项研究证明了多模态影像组学模型在预测ESCC患者预后方面的显著优势，为临床提供了一种更有价值的个体化预后评估工具。未来通过不同医院间的合作和MR序列的改进，将有助于建立和推广更通用的模型。
