摘要
背景
在直肠癌中，准确术前评估神经周围侵犯（PNI）仍然具有挑战性。
目的
开发基于术前多参数MRI（mpMRI）栖息地分析的评估模型，以评估PNI状态并探索其预后价值。
研究类型
回顾性研究。
研究对象
共有621名直肠癌患者参与研究，来自两个中心，分为训练集（n = 330；年龄65.8 ± 11.22岁；215名男性）、内部验证集（in-vad，n = 152；年龄67.85 ± 12.43岁；105名男性）和外部验证集（ex-vad，n = 139；年龄62.82 ± 11.79岁；96名男性）。
磁场强度/序列
使用1.5T和3T磁场强度，T2加权成像采用涡轮自旋回波序列，扩散加权成像采用回波平面成像，增强T1加权成像采用3D spoiled梯度回波序列。
评估方法
利用k-means聚类将肿瘤体素划分为子区域，并通过深度学习开发基于栖息地的子模型。Boruta算法结合单变量和多变量分析确定了关键变量。
统计检验
学生t检验、Mann–Whitney U检验、卡方检验、Boruta分析和DeLong检验。显著性定义为p < 0.05。从选定的显著变量构建了一个临床模型，并随后开发了一个将临床模型与基于栖息地的子模型结合的诺模图。
结果
肿瘤被划分为三个基于影像的子区域，生成了三个栖息地子模型。栖息地1、2、3、mrN和mrEMVI是独立的PNI预测变量。诺模图表现出最高的性能，在训练集、内部验证集和外部验证集中的曲线下面积（AUC）值分别为0.967（95%置信区间[CI]：0.950–0.983）、0.965（0.941–0.990）和0.977（0.949–1.000）。Kaplan–Meier分析进一步证实了其在3年无病生存率分层方面的有效性。
结论
基于MRI的栖息地分析模型及其衍生的诺模图在直肠癌术前评估PNI方面显示出高预测价值。诺模图在预后风险分层方面也显示出良好的能力。
证据水平
3级。
技术有效性阶段
3级。
通俗语言总结
本研究通过整合基于多参数MRI的栖息地分析和深度学习，开发了术前评估直肠癌神经周围侵犯（PNI）的模型。将肿瘤划分为三个基于影像的子区域以表征空间异质性，并构建了相应的栖息地子模型。结合关键栖息地特征和临床影像变量的诺模图在训练集和验证集中表现出稳健且一致的性能，有效分层了患者的3年无病生存风险，从而为临床实践中的PNI评估和预后评估提供了可靠的非侵入性工具。
利益冲突
作者声明没有利益冲突。
