整合CT影像组学与活检病理组学预测胃癌新辅助化疗疗效的多模态模型研究

本文开发了一种整合CT影像组学与活检病理组学的多模态机器学习模型，用于预测晚期胃癌（AGC）患者新辅助化疗（NAC）后的病理完全缓解（pCR）。该模型通过融合宏观影像特征与微观病理特征，显著提升了预测性能（AUC=0.814），为个体化治疗策略制定提供了非侵入性实用工具。

引言

胃癌是全球第五大常见恶性肿瘤和第三大癌症相关死亡原因。多数患者确诊时已处于晚期，预后较差。新辅助化疗（NAC）联合根治性胃切除术是晚期胃癌（AGC）的重要治疗方式，可降期肿瘤、消除微转移灶，提高根治切除率和短期疗效。但由于胃癌高度异质性，患者对NAC的反应差异显著。化疗耐药患者可能面临肿瘤进展风险，错失手术机会。病理完全缓解（pCR）即原发灶和淋巴结无肿瘤细胞残留，是化疗敏感性的重要标志。研究表明达到pCR可显著改善患者生存，但pCR目前只能通过术后病理检查确认，因此需要基于干预前数据的预测模型。

以往研究尝试基于遗传或血清学生物标志物预测pCR，但因成本高、有创等问题未能广泛应用。2021年研究发现通过影像组学分析肿瘤CT图像可建立非侵入性预测模型。近年来，病理组学分析全幻灯片图像（WSI）已成为表征肿瘤生物学和预测临床结局的强大工具。本研究旨在最大化利用干预前信息，结合CT图像和病理切片图像特征，建立预测胃癌pCR的影像-病理多模态模型。

方法

研究人群与数据收集

本研究经中山大学附属第六医院伦理委员会批准。纳入标准包括：经组织学确诊的胃或食管胃结合部腺癌；接受NAC和根治性胃切除术；干预前接受腹部CT检查、胃镜和组织活检。排除标准包括：CT图像无法按RECIST 1.1标准评估；数据不完整。收集干预前临床信息，包括性别、年龄、肿瘤位置、分化程度、Lauren分型和AJCC第8版TNM分期。

影像组学与病理组学特征提取及病理反应评估

从图片存档通信系统获取静脉期增强CT图像，由资深放射科医师在肿瘤最大横截面勾画感兴趣区域（ROI），使用Python 3.7.0的"pyradiomics"包提取615个影像组学特征。病理方面，将全幻灯片图像典型肿瘤区域分割为512×512像素小块，使用CellProfiler 2.2.1提取548个核特征。病理反应由两位资深病理医师评估，pCR定义为原发灶和淋巴结无存活肿瘤细胞。

统计分析

使用Python 3.7.0或R 3.6.1进行统计分析。将295例患者按4:1随机分为训练集（n=236）和验证集（n=59）。模型建立分四步：通过单因素分析筛选与pCR相关特征（P<0.05）；使用LASSO回归进一步降维；通过LightGBM或SVM算法构建预测模型；采用ROC曲线下面积（AUC）评估模型性能。分别建立影像组学单模态模型、病理组学单模态模型以及融合两者的多模态模型，并通过决策曲线分析（DCA）比较预测效能。

结果

患者特征

2013年2月至2022年9月共纳入295例患者。训练集与验证集患者 demographic 特征相似。多数为老年男性，低分化腺癌（67.8%），T3-T4分期，97.3%存在淋巴结转移。

新辅助化疗与病理结果

患者中位接受4周期NAC，47.8%接受FLOT方案（多西他赛+奥沙利铂+氟尿嘧啶）。91.2%通过腹腔镜手术，42例（14.2%）达到pCR。

影像组学单模态模型

从615个特征中筛选出10个特征构建模型，验证集AUC为0.672。重要特征包括Orig_GLDM_SDHGLE等纹理特征。

病理组学单模态模型

从548个特征中筛选13个特征构建模型，验证集AUC达0.806，表现优于影像组学模型。重要特征涉及核形态参数（如GrpIdx）。

影像-病理多模态模型

融合1163个特征，筛选22个特征（12个影像组学+10个病理组学）构建多模态模型。验证集AUC提升至0.814，绿色条形图显示病理组学特征贡献度更高。决策曲线分析表明多模态模型净收益更高，在敏感性和F1分数方面优于单模态模型。

讨论

本研究首次构建整合影像组学与病理组学的多模态模型预测胃癌NAC疗效。病理组学模型表现优异，可能因核形态特征（如Zernike矩、面积形状、苏木精强度）直接反映细胞异型性与增殖活性。影像组学特征（如GLRLM、GLSZM）补充了活检未能覆盖的肿瘤异质性，虽提升幅度有限但实现宏观与微观信息互补。

局限性包括未纳入MSI等基因组学数据，未发现与化疗敏感性显著相关的临床特征，需前瞻性队列验证泛化性。模型在训练集存在过拟合现象，但通过合理划分队列保证了可靠性。值得注意的是，非pCR患者仍可能从NAC中获益，值得进一步研究。

结论

整合CT影像组学与活检病理组学的多模态模型能有效预测晚期胃癌新辅助化疗的病理完全缓解，为个体化治疗决策提供新途径。