臨床特征聯合CT影像組學列線圖預測T1-2期直腸癌淋巴結轉移的價值分析

關鍵詞：影像組學，列線圖，直腸癌，淋巴結

中圖分類號：F274；F721 文獻標志碼：A 文章編號：1674-9545（2025）03-0096-（08）

DOI：10.19717/j. cnki. jjun. 2025.03.018

直腸癌（Rectalcancer，RC）是最常見的消化道惡性腫瘤之一，在我國病死率在所有惡性腫瘤中排第5位[1]。隨著人們對健康的重視程度不斷增加， T_1～2 期RC的發病率也不斷增加。雖然T_1～2 期RC發生淋巴結轉移（lymphnodemetasta-sis，LNM）的概率不高，但淋巴結（Lymphnode，LN）轉移與否是RC患者預后和復發的重要影響因素[2]。此外，LN狀態還影響 RC 患者治療方案的選擇，如決定術前是否行新輔助放化療（Neo-adjuvantchemoradiotherapy，nCRT）或對腫瘤行局部切除，尤其是對低位且具有強烈保肛意愿的RC患者準確評估LN狀態更具重要意義[3]。影像組學可以自動從醫學影像圖像中提取大量人眼難以識別的定量特征，這些特征能夠很好的反映病變的病理生理學特點，目前已廣泛應用于臨床研究[4-6]。列線圖是一種能夠直觀可視化評估個體患病風險的評分模型，已應用于臨床多個研究領域，但有關動態列線圖的研究比較罕見。目前，有關T_1～2 期RC患者評估其LN狀態的研究相對較少，本研究嘗試利用臨床特征聯合CT影像組學構建動態列線圖預測 T_1～2 期RC的LN狀態的可行性，并通過內部及外部驗證組驗證所構建聯合模型的泛化能力。

1臨床資料與方法

1.1一般資料

回顧性分析皖南醫學院第一附屬醫院（弋磯山醫院）2018年1月至2023年12月RC患者的臨床病理及影像資料，納入標準： ① 均行RC根治性手術，術后病理明確診斷為 T_1～2 期，且術中LN清掃數目不低于12個； ② 有完整的臨床及CT影像資料； ③ 既往無盆腔手術史，術前未行放化療等非手術治療； ④ 術前均有腸鏡檢查記錄。排除標準： ①CT 圖像偽影較重或病灶顯示不清，無法滿足評估與測量； ② 伴有其他臟器遠處轉移，如肝、肺等； ③ 同時伴有其他部位惡性腫瘤、炎癥性疾病或血液系統疾病。經以上納排標準共篩選出滿足條件的RC患者183例（ 期29例、T2期154例），男108例，女75例，其中LNM患者44例，NLNM患者139 例，年齡35～83歲，平均（ 62.1±10.1 ）歲，腺癌176例，黏液腺癌7例。將以上患者按 7：3 采用分層抽樣隨機分為訓練組（ n=128 ）與內部驗證組（ n=55 ），另選取同期蕪湖市第二人民醫院滿足以上納排條件的54 例 T_1-2 期RC患者為外部驗證組，其中LNM患者14例，NLNM患者40例。本研究通過了弋磯山醫院倫理委員會審核。

1.2方法

1.2.1基線資料搜集通過弋磯山醫院電子病歷系統收集入組的RC患者基線資料，包括一般資料（年齡、性別），術前1周內血清學檢查指標「中性粒細胞、淋巴細胞、單核細胞、血小板、癌胚抗原（Carcinoembryonicantigen，CEA）、碳水化合物抗原（carbohydrateantigen199，CA19-9）]，并計算中性粒細胞與淋巴細胞比（Neutrophillymphocyteratio，NLR），血小板與淋巴細胞比（Plateletlymphocyteratio，PLR）和淋巴細胞與單核細胞比（Lymphocytemonocyte ratio，LMR）。

1.2.2圖像分割與特征提取將增強CT靜脈期1.5mm 薄層圖像以BMP格式從工作站中導出（1a），使用MaZda紋理分析軟件（4.6，http：//www.eletel. p.lodz.pl/programy/mazda/index.php？action Σ= mazda）自帶的灰度調節軟件將圖像歸一化，打開MaZda軟件的2D模式，將圖像導入軟件，然后由一名具有5年及一名具有15年以上工作經驗的影像科醫師在所有掃描層面病灶顯示最大層面沿瘤體緩慢勾畫感興趣區（Regionof inter-est，ROI）（圖1b），并分割圖像（圖1c），然后提取紋理特征，共提取298個紋理特征。

圖1CT圖像分割與特征提取

1.3統計學分析

采用SPSS23.0、R（版本4.1.2）軟件進行統計分析。Mann-WhitneyU檢驗或獨立樣本 χ_t 檢驗用于連續變量比較，卡方檢驗或Fisher精確概率法用于分類變量。采用多因素logistic回歸分析篩選獨立危險因素。采用組內相關系數（Intra-classcorrelationcoefficient，ICC）評價兩名醫師提取特征的一致性，最小絕對收縮與選擇算子算法（Least absolute shrinkage and selection operator，LASSO）對紋理特征進行降維，受試者工作特征（Receiveroperatingcharacteristic，ROC）曲線下面積（Areaundercurve，AUC）評價模型的效能;校準曲線評價模型的校準度，校準曲線建立在bootstrap方法1000次重復抽樣的基礎上；采用delong檢驗、赤池信息準則（Akaikeinformationcri-terion，AIC）、貝葉斯信息準則（Bayesianinforma-tioncriterion，BIC）比較模型的診斷效能，決策曲線（Decisioncurveanalysis，DCA）評價模型的臨床適用價值。 plt;0.05 表示差異具有統計學意義。

2結果

2.1訓練組與內部及外部驗證組臨床影像資料比較

訓練組男76例，女52例，年齡35～83歲，平均 （ 62.1±10.3 ）歲；內部驗證組男32例，女23例，年齡36～79歲，平均（ 62.3±9.8 ）歲；外部驗證組男34例，女20例，年齡 35～85 歲，平均（ 69.2±11.1） 。訓練組與內部驗證組比較差異均無統計學意義（均 plt;0.05 ），與外部驗證組比較僅年齡差異有統計學意義（ p=0.002 ），其它差異均無統計學意義（均 plt;0.05 ），見表1。

表1訓練組與內部及外部驗證組臨床影像資料比較

2.2特征篩選

將提取的298個紋理特征先經Z-score標準化，然后經ICC（取 ICCgt;0.80 ）及LASSO回歸降維（圖 2a 、2b）后獲得3個最優紋理特征，包含2個灰度共生矩陣（S.3.3.Correlat、Horzl_RL-NonUni），1個游程長度矩陣（Vertl_ShrtREmp），基于這3個紋理特征建立radscore，radscore訓練組為 0.32±0.11 ，內部驗證組為 0.31±0.11 ，外部驗證組為 0.38±0.08 。

圖2紋理特征篩選。

2a：十折交叉驗證圖；2b：回歸系數分布圖。

2.3訓練組中LNM組與NLNM組臨床影像特征比較訓練組128例 T_1～2 期RC患者中LNM組30例、NLNM組98例，兩組比較腫瘤T分期、CEA、CA19-9、NLR、影像淋巴結短徑及radscore差異均具有統計學意義（ plt;0.05 ），其它差異均無統計學意義（ pgt;0.05 ，見表2。

表2LNM組與NLNM組臨床影像特征比較

2.4危險因素分析

將LNM組與NLNM組臨床影像資料比較差異有統計學意義的指標（ plt;0.05 ）納入單因素lo-gistic回歸分析，單因素分析差異有統計學意義的指標（ plt;0.05 ）再納入多因素logistic回歸分析，篩選預測 T_1～2 期RC發生淋巴結轉移的獨立危險因素，結果腫瘤T分期、CA19-9、NLR、影像淋巴結短徑及radscore為獨立危險因素，見表3。

表3預測LNM組與NLNM組LN狀態的危險因素分析

2.5模型的構建與評價

基于腫瘤T分期、CA19-9、NLR、影像淋巴結短徑及radscore構建預測 T_1～2 期RC淋巴結轉移的聯合預測模型，并繪制模型的動態列線圖（圖3a），聯合模型在訓練組AUC為0.877、內部驗證組為0.831、外部驗證組為0.797（圖3b），校準曲線顯示模型的預測值與實際發生概率具有較高的一致性（圖 3c-e ）。基于臨床影像指標（腫瘤T分期、CA19-9、NLR、影像淋巴結短徑等）構建臨床影像學模型，delong檢驗顯示聯合模型與臨床影像學模型及radscore比較差異均有統計學意義（均 plt;0.05 ），且聯合模型的AIC與BIC值均最低（表4）。DCA顯示聯合模型在訓練組、內部及外部驗證組中均具有很高的臨床適用性（圖3f）。

表4單指標與聯合模型診斷效能比較（delong、AIC值、BIC值）

圖3模型的構建與評價

3A：模型的動態列線圖；3B：訓練組及內部、外部驗 證組ROC曲線；3C～E：訓練組及內部、外部驗證組校準 曲線；3F：訓練組及內部、外部驗證組臨床決策曲線。

3討論

既往研究顯示 T₁ 與 T₂ 期RC發生LNM的概率分別約為 11.7% 與 23.1%^[7] ， LEE^[8] 等研究T_1～2 結直腸癌LNM的概率為 19.6% ，本研究 T_1～2 期RC的LNM概率兩個中心分別為 24.0% （44/183）與 25.9% （14/54），略高于既往研究，這可能是由于本研究對象中T2期RC占比較大。不伴有LNM的 T₁ 期RC臨床治療方式主要為局部切除， T₂ 期RC一般建議行根治性手術。伴有LNM的 T_1-2 期RC治療方式為先行nCRT以控制疾病的進展，然后行全直腸系膜切除術[9]。目前可用于評估RC患者LN狀態的影像學檢查主要包括多層螺旋CT、磁共振成像及經直腸腔內超聲檢查，然而以上檢查對于評估RC浸潤深度有一定價值，但在評估RC的LN狀態方面并不理想[10]。因此，尋找一種能夠無創準確評估 T_1-2 期RC患者LN狀態的方法對于臨床外科醫師制定最佳治療方案具有重要的指導價值。

列線圖能夠可視化影響腫瘤預后的危險因素[1-13]，但既往構建的列線圖多為常規列線圖，常規列線圖需要手動計算預測結果，誤差相對較大。本研究構建的是動態列線圖評分模型，動態列線圖可通過調整各危險因素的參數值自動生成預測結果及 95% 置信區間，臨床適用性更強。本研究首先經差異性分析篩選潛在危險因素，再經單因素及多因素logistic回歸分析篩選獨立危險因素，最終腫瘤T分期、CA19-9、NLR、影像淋巴結短徑及radscore入選該評分模型。既往大樣本研究表明，腫瘤的T分期水平是淋巴結轉移的重要預測指標[14]，本研究LNM組 T₁ 期患者占比 3.3% （1/30），明顯低于 T₂ 期 96.7% （29/30），可能是因為腫瘤浸潤越深，越容易侵犯淋巴管，淋巴管侵犯則是腫瘤復發及轉移的獨立危險因素[15]。近年來腫瘤標志物CEA與CA19-9已廣泛應用于RC的篩查及監測[16]。CEA及CA19-9是胃腸道腫瘤最常用的腫瘤標志物，既往多項研究表明其水平與 RC 的LN 狀態密切相關[17-19]，本研究單因素分析時CEA及CA19-9在LNM組與NLNM組比較差異均具有統計學意義（ plt;0.05 ），但多因素分析發現CEA并非獨立危險因素，所以CEA在評估RC患者LN狀態的價值還需大樣本數據進一步探討。癌癥的發生發展與免疫反應密切相關，腫瘤微環境的改變會引起全身性炎癥反應，多個研究均顯示高NLR是RC患者不良預后的獨立危險因素[20]，本研究同樣得出高NLR 是預測RC 患者發生LNM的獨立危險因素，與以往相關研究一致。有研究將淋巴結短徑 5～10mm 作為判斷轉移性淋巴結的截斷值[21]，本研究以 5mm 為界值，結果發現影像淋巴結短徑 ?5mm 為RC發生LNM的獨立危險因素，這說明實際工作中CT影像淋巴結短徑對于診斷轉移性淋巴結腫大具有一定的提示作用。LN狀態不同的RC其腫瘤內部異質性也不相同，而影像組學特征包含大量潛在病理生理學的信息，能夠很好的反映腫瘤內部的異質性[22]，RC的N分期不同其腫瘤內部異質性也存在一定的差異。本研究基于CT門靜脈期圖像共提取298個影像組學特征，經降維后篩選出3個最優特征，分別為2個灰度共生矩陣及1個游程長度矩陣。灰度共生矩陣與圖像灰度分布相關，主要反映紋理的復雜性，進而反映腫瘤的紋理信息，其數值越大，ROI像素間灰度相似度越低，病灶越不均勻，游程長度矩陣反映的是圖像內灰度與游程長度的規律，以上特征一定程度與腫瘤內部細胞異質性相關[23]。基于這3個最優特征構建的radscore 在訓練組的診斷效能為0.756，已達到較高的預測水平。

本研究存在以下幾點潛在的局限性。首先，由于采用了回顧性分析方法，可能會引入選擇偏倚。其次，影像組學特征的提取僅限于病灶的最大切面，而不是整個病灶。考慮到腫瘤體積在表征腫瘤異質性方面可能更為全面，這一方法可能限制了對腫瘤性質的完整反映。再者，本研究使用的外部驗證組數據顯示，聯合模型的預測準確率低于0.8，提示模型在不同人群中的泛化能力可能有限。針對這些問題，未來的研究將著重于開展更多中心和大樣本的研究，以驗證并優化本研究的結果。

綜上所述，準確評估 T_1～2 期RC患者的LN狀態對于制定最佳治療方案具有至關重要的指導價值。本研究基于臨床特征和CT影像組學特征構建的動態列線圖模型，展示了較單一模型更優的診斷效能。此外，動態列線圖的可調整性使其在臨床應用中具有更強的實用性。

參考文獻：

[1]伍美容，周剛，李亮，等.直腸黏膜滲液游離亞鐵血紅素檢測在結直腸癌早期診斷中的應用價值 [J].中國普通外科雜志，2023（4）：520.

[2]Li C，Yin JJFIO.Radiomics Based on T2-Weighted Imaging and Apparent Diffsion Coefficient Images for Preoperative Evaluation of Lymph Node Metastasis in Rectal Cancer Patients[J].Front Oncol，2021（11） ： 671354.

[3]Liu X，Yang Q，Zhang C，et al. Multiregional-Based Magnetic Resonance Imaging Radiomics Combined With Clinical Data Improves Eficacy in Predicting Lymph Node Metastasis of Rectal Cancer [J].Front Oncol，2020（10） ： 585767.

[4]Zheng X，Yao Z，Huang Y，et al. Deep learningradiomics can predict axillary lymph node status in early-stage breast cancer[J].Nat Commun，2O2O（1） ：1236.

[5]夏金菊，王添藝，蔡權宇，等.MRI影像組學在混合型肝癌與肝內膽管細胞癌鑒別診斷中的應用 [J].中國醫學影像學雜志，2023（9）：945.

[6]Bian T，Wu Z，Lin Q，et al. Evaluating Tumor-Infiltrating Lymphocytes in Breast Cancer Using Preoperative MRI-Based Radiomics[J].J Magn Reson Imaging，2O22（3）： 772.

[7]Fields AC，Lu P，Hu F，et al. Lymph Node Positivity in T1/T2 Rectal Cancer： a Word of Caution in an Era of Increased Incidence and Changing Biology for Rectal Cancer[J]. JGastrointest Surg，2021 （4）：1029.

[8]Lee YJ，Huh JW，Shin JK，et al.Risk factors for lymph node metastasis in early colon cancer[J].Int J Colorectal Dis，2020（8） ：1607.

[9]Liu Y，Zhang F，Zhao X，et al.Development of a Joint Prediction Model Based on Both theRadiomics and Clinical Factors for Predicting the Tumor Response to Neoadjuvant Chemoradiotherapy in Pauents witn Locally Aavancea Kectal LancerL J」. Uancer Manag Kes，zUz1（15） ： 525）.

[10] Kalisz K，Enzerra M，Paspulati R. MRI Evaluation of the Response of Rectal Cancer to Neoadjuvant Chemoradiation Therapy[J]. Radiographics，2019（2）： 538.

[11]Li J，Sun P，Huang T，et al.Preoperative prediction of central lymph node metastasis in cNOT1/T2 papillry thyroid carcinoma：A nomogram based on clinical and ultrasoundcharacteristics[J].Eur J Surg Oncol，2022（6） ： 1272.

[12]Sun X，Zhu H，Ji W，et al.Preoperative prediction of malignant potential of 2-5 cm gastric gastrointestinal stromal tumors by computerized tomography-based radiomics[J]. World J Gastrointest Oncol，2022（5） ： 1014.

[13]Lin X，Zhao S，Jiang H，et al. Aradiomics-based nomogram for preoperative T staging prediction of rectal cancer[J].Abdom Radiol（NY），2021（1O）：4525.

[14]井海燕，田春方，裴慶山，等.T1期結直腸癌64例淋巴結轉移危險因素和黏膜下深浸潤臨床意 義的分析[J].中華消化雜志，2021（11）：770.

[15]陳吉虎，李瑞，劉浩，等.影像組學術前預測結直腸癌淋巴血管侵犯的價值[J].臨床放射學雜 志，2022（3）：495.

[16]Del Rio P，Loderer T，Bresciani P，et al. MRI and correlation between TNM and CEA，CA19.9，AFP in rectal cancer Experience of a single academic surgical center[J]. Ann Ital Chir，2O21（92）： 645.

[17]Xu H，Zhao W，Guo W，et al.Prediction Model Combining Clinical and MR Data for Diagnosis of Lymph Node Metastasis in Patients With Rectal Cancer[J]. JMagn Reson Imaging，2O21（3） ： 874.

[18]李夢蕾，張敬，淡一波，等.術前預測結直腸癌淋巴結轉移的臨床-影像組學列線圖的建立和驗 證[J].中國癌癥雜志，2020（1）：49.

[19]李國強，柯煒煒，孫祥林，等.基于磁共振T2WI紋理分析對直腸癌淋巴結轉移的預測價值評估 [J].磁共振成像，2022（7）：42.

[20]Ergen S，Barlas C，Yildirim C，et al. Prognostic Role of Peripheral Neutrophil-Lymphocyte Ratio （NLR）and Platelet-Lymphocyte Ratio （PLR）in Patients with Rectal Cancer Undergoing Neoadjuvant Chemoradiotherapy[J].J Gastrointest Cancer，2O22（1） ：151.

[21]王唯成，李睿，陳天武，等.多層螺旋CT對結腸癌術前淋巴結轉移診斷價值的研究[J].國際醫 學放射學雜志，2018（5）：542.

[22]Conti A，Duggento A，Indovina I，et al. Radiomics in breast cancer classification and prediction[J]. Semin Cancer Biol，2021（72）： 238.

[23]董誠，李健，鄭迎梅，等.基于MRI征象及影像組學的列線圖預測腮腺良性與惡性腫瘤的價值 [J].中華放射學雜志，2022（2）：149.

Analysis of the Value of a Nomogram Combining Clinical Features and CT Radiomics for Predicting Lymph Node Metastasis in T1-2 Rectal Cancer

HAN Xianglei， WANG Ziyi （1.Department ofRadiology，the First Affiliated Hospital /Yijishan Hospital; 2. School of Clinical Medicine，Wan Nan Medical College，Wuhu， Anhui 241Ooo，China）

ABSTRACTObjective To investigate the value of a nomogram combining clinical features and CT radiomics in predicting lymph node metastasis（LNM）inT1-2 stage rectalcancer（RC）.MethodA total of183T1-2RC patients fromtheFirstAfiliatedHospitalof Wannan Medical College wereretrospectivelycollectedandrandomlydivided intoa training set （ n=128 ）and an internal validation set （ n=55 ）ata 7：3 ratio．Additionally，54 patients from Wuhu Second People's Hospital were includedasan external validation set.Patients were categorized into the LNMandnon-LNM（NLNM）groups based on lymph node status.Texture features were extracted using MaZda software，and the least absolute shrinkageandselectionoperator（LASSO）regression wasapplied toselecttheoptimalfeatures forconstructingaradiomics signature（radscore）.Univariateandmultivariate logisticregresionanalyses were performed toidentify independentrisk factors，which were then incorporated into acombined predictive model.Adynamic nomogram and calibration curve were generated.Themodels discrimination abilitywas evaluated using thereceiveroperating characteristic（ROC）curve and area underthe curve（AUC）：Model performance was compared using theAkaike information criterion（AIC），Bayesian information criterion（BIC），andDeLong test，while clinical utility wasassssedvia decisioncurve analysis（DCA）. ResultLASSO regression identified three optimal radiomics features，whilelogisticregression determined tumorTstage， carbohydrate antigen 19-9（CA19-9），neutrophil-to-lymphocyte ratio（NLR），short-axis diameter of lymph nodeson imaging，andradscore as independent risk factors.The AUCsof thecombined model inthe training，internal validation， and external validation sets were O.877，O.831，andO.797，respectively.The combined model had the lowest AIC and BIC values and demonstrated the highest diagnostic performance according to the DeLong test （ allplt;0.05 ）. The calibrationcurve andDCAconfirmed the model's goodcalibrationand clinicalapplicability.Conclusion Thedynamic nomogram integrating clinical featuresand CTradiomicseffectivelypredicted lymph node status inT1-2RC patients，providing individualized predictions and assisting surgeons in optimizing preoperative decision-making and treatment planning.

KEYWORDSimageomics；nomogram；rectal cancer；lymph gland

（責任編輯 胡安娜）