在医学领域，癌症一直是人们谈之色变的重大疾病。胃癌作为全球癌症相关死亡的主要原因之一，严重威胁着人类健康。手术虽为胃癌的重要治疗手段，但术后并发症却给患者的康复之路设下重重障碍，其中下肢深静脉血栓（DVT）尤为棘手。它不仅影响患者的生存质量，还可能成为导致患者死亡的 “隐形杀手”。尽管当前有 VTE 评分和预防性抗凝药物，但仍无法精准预测和有效预防胃癌患者术后 DVT 的发生，因此，寻找一种更为精准的预测方法迫在眉睫。
温州医科大学附属第一医院的研究人员勇挑重担，开展了一项极具意义的研究。他们旨在探索利用机器学习（ML）辅助影像组学构建成像模型，以此预测胃癌患者术后下肢 DVT 发生风险。研究成果发表在《BMC Cancer》上，为该领域带来了新的曙光。
研究人员采用了多种关键技术方法。首先，从温州医科大学附属第一医院和温州市第一人民医院收集了 2019 年 1 月至 2022 年 1 月间符合条件的胃癌手术患者数据，构建样本队列。接着，运用 LASSO（最小绝对收缩和选择算子）算法对变量进行降维处理。最后，使用随机森林（RF）、极端梯度提升（XGBoost）、支持向量机（SVM）和朴素贝叶斯（NB）这四种机器学习算法来构建预测模型 。
下面来看具体的研究结果：
- 信息特征：研究共纳入 106 例患者，分为训练集（n = 75）和验证集（n = 31），并以 60 例患者作为外部验证队列。分析发现，血栓组和无血栓组在年龄、性别、BMI、肿瘤大小和肿瘤 TNM 分期等方面均无显著差异12。
- 变量选择：从第三腰椎椎骨肌肉的 CT 图像中提取出 107 个影像特征，经 LASSO 算法筛选，确定了 10 个最相关的影像特征。同时，纳入 10 个临床特征用于构建临床相关的 ML 模型34。
- 诊断性能：单独使用影像变量构建模型时，NB 模型预测性能最佳，AUC 为 0.882；结合临床变量后，RF 和 NB 模型表现最优，AUC 达 0.928。综合影像和临床特征构建的模型预测效果最好，在外部验证队列中，SVM 模型表现最佳，AUC 为 0.83056。
- 特征重要性：在综合模型中，lmc2 是关键的影像特征，血小板计数是重要的临床特征。通过 SHAP 分析可知，在 RF 和 NB 模型中，lmc2 和 lmc1 是区分 DVT 发生的关键影像特征，血小板计数是关键临床特征78。
- 亚组分析：以 RF 模型进行亚组分析，按年龄分层，≥70 岁患者组 AUC 为 0.975，＜70 岁患者组 AUC 为 0.917；按性别分层，男性组 AUC 为 0.899，女性组 AUC 为 0.9529。
研究结论表明，研究人员整合 CT 扫描肌肉特征和临床特征构建的四个模型，在预测胃癌患者术后下肢 DVT 发生率方面表现出色，AUC 分别达到 0.928、0.915、0.869 和 0.928 ，为预测胃癌患者术后 DVT 提供了新的无创模型，有助于临床医生采取针对性措施预防 DVT 发生。
在讨论部分，研究人员指出，尽管当前研究成果令人鼓舞，但仍存在一些局限性。比如样本量相对较小，缺乏多中心大样本验证，可能存在选择偏倚，且作为回顾性研究，无法确定 DVT 与肌肉减少症之间的因果关系，同时未考虑手术细节等相关变量对模型的影响。不过，该研究首次利用第三腰椎 CT 扫描肌肉数据构建 ML 模型预测胃癌患者术后下肢 DVT 风险，拓展了 ML 的应用范围，具有重要的临床和实践价值。未来，研究人员计划开展多中心研究，探索影像组学特征与血栓形成的生物学联系，整合术后动态因素，构建更精准的预测模型，推动胃癌患者术后 DVT 预防向更精细化、分层化方向发展，让更多患者受益于精准医学。
