劉婧娟， 劉煒， 薛華丹， 蔣林， 于健春， 毛麗， 李秀麗， 金征宇

在中國(guó)，胃癌的發(fā)病率和死亡率分別位于所有惡性腫瘤的第2位和第3位，是國(guó)民經(jīng)濟(jì)及健康的巨大負(fù)擔(dān)。第八版美國(guó)癌癥聯(lián)合委員會(huì)(American Joint Committee on Cancer，AJCC)指南建議增強(qiáng)CT作為胃癌治療前臨床分期的首選影像學(xué)手段。然而，由于CT軟組織分辨率有限、胃癌具有顯著的異質(zhì)性以及缺乏統(tǒng)一的形態(tài)學(xué)診斷標(biāo)準(zhǔn)等因素，導(dǎo)致其分期的準(zhǔn)確性欠佳。此外，臨床實(shí)踐經(jīng)驗(yàn)及文獻(xiàn)研究表明，胃癌的臨床分期更容易受到醫(yī)師經(jīng)驗(yàn)的影響，胃腸專(zhuān)業(yè)放射醫(yī)師與普通放射醫(yī)師具有較大的主觀差異，進(jìn)而影響臨床治療方案的制定[1]。近年來(lái)，新興的影像組學(xué)技術(shù)迅猛發(fā)展，可多維度挖掘圖像背后的數(shù)據(jù)信息，提取豐富的定量參數(shù)，協(xié)助醫(yī)師進(jìn)行病灶檢出、鑒別診斷及預(yù)后分析[2-6]。本研究擬通過(guò)分析胃癌患者增強(qiáng)CT的薄層重建圖像數(shù)據(jù)，提取定量影像組學(xué)特征，嘗試多種建模算法,建立胃癌臨床分期的人工智能(artificial intelligent，AI)系統(tǒng)，為臨床提供更客觀、可靠的輔助診斷工具。

材料與方法

1.病例資料

回顧性搜集2017年7月至2019年6月北京協(xié)和醫(yī)院收治的胃癌患者。病例納入標(biāo)準(zhǔn)：①胃鏡及活檢病理證實(shí)為胃癌；②術(shù)前在我院行增強(qiáng)CT檢查；③檢查前未接受任何放療、化療及生物靶向治療；④檢查完成后4周內(nèi)在我院行手術(shù)治療。病例排除標(biāo)準(zhǔn)：①患者呼吸配合差，圖像具有嚴(yán)重運(yùn)動(dòng)偽影；②增強(qiáng)CT無(wú)法檢出病灶。

2.CT檢查方法

患者在檢查前需禁食4～6 h，排空胃腔，檢查前10 min需飲水800～1000 mL，充分充盈胃腔后，隨即進(jìn)行CT檢查。CT檢查采用MSCT設(shè)備(包括西門(mén)子128排第2代Definition Flash雙源雙能CT、飛利浦192排iQon能譜CT、GE 64排寶石能譜CT)，患者取仰臥位。首先進(jìn)行平掃，然后進(jìn)行增強(qiáng)掃描，血管對(duì)比劑為非離子型對(duì)比劑優(yōu)維顯(碘濃度為370 mg/mL)，采用自動(dòng)高壓注射器經(jīng)前臂靜脈團(tuán)注，靜脈注射流率為3 mL/s，劑量為1.5 mL/kg，增強(qiáng)掃描共分為3期，動(dòng)脈早期從主動(dòng)脈CT值達(dá)100 HU后延遲5～15 s開(kāi)始，動(dòng)脈晚期在觸發(fā)掃描后40～50 s開(kāi)始，平衡期在觸發(fā)掃描后90～120 s開(kāi)始。掃描參數(shù)：管電壓120 kV，有效管電流為150 mAs，掃描機(jī)架旋轉(zhuǎn)時(shí)間0.25～0.80 s，準(zhǔn)直128×0.6-64×0.625，常規(guī)圖像為層厚5.0 mm，層間距5.0 mm，薄層圖像層厚為0.625～1.000 mm，層間距為0.625～1.000 mm，可用于三維重建。

3.影像組學(xué)分析

病變?nèi)S容積感興趣區(qū)標(biāo)注：將患者胃重建增強(qiáng)CT的動(dòng)脈晚期薄層圖像(0.625～1.000 mm)的DICOM格式從圖像存儲(chǔ)與傳輸系統(tǒng)(picture archiving and communication system，PACS)中提取出來(lái)[7,8]，數(shù)據(jù)經(jīng)過(guò)匿名化處理后上傳至Dr.Wise標(biāo)注平臺(tái)(http://www.deepwise.com)，由一位具有7年工作經(jīng)驗(yàn)的放射醫(yī)師按照隨機(jī)順序進(jìn)行標(biāo)注。在數(shù)據(jù)庫(kù)中隨機(jī)選取30例患者，由另一位具有17年工作經(jīng)驗(yàn)的放射科醫(yī)師標(biāo)注，進(jìn)行研究者間一致性分析(interclass correlation coefficients，ICC)；間隔4周以上由7年工作經(jīng)驗(yàn)醫(yī)師再次標(biāo)注，進(jìn)行研究者內(nèi)一致性分析。研究者選擇病灶所在全部層面，采用平臺(tái)半自動(dòng)標(biāo)注功能進(jìn)行病灶三維容積感興趣區(qū)(volume of interest，VOI)的勾畫(huà)，該軟件根據(jù)病灶與周?chē)Y(jié)構(gòu)的CT值差異，自動(dòng)選取腫瘤邊緣進(jìn)行病灶分割，之后由放射科醫(yī)師對(duì)其進(jìn)行手動(dòng)逐層修正，獲得每層感興趣區(qū)(region of interest，ROI)，生成最終病灶VOI進(jìn)行下一步分析(圖1)。

圖1 胃癌患者腫瘤最大層面沿病灶邊緣勾畫(huà)ROI(左)及3D立體腫瘤示意圖(右)。

特征提?。簽榱讼捎贑T圖像的層厚、像素間距等設(shè)備參數(shù)的差異對(duì)模型性能的不利影響，所有圖像都經(jīng)過(guò)重采樣操作，將圖像在三個(gè)解剖方向上的像素間距調(diào)整為1.0 mm，使模型輸入數(shù)據(jù)為各向同性。之后使用Pyradiomics工具(Version2.1.0，https://github.com/Radiomics/pyradiomics)提取VOI內(nèi)腫瘤組織的影像組學(xué)特征。

提取的組學(xué)特征包括以下幾類(lèi)：①用于描述病灶尺寸和形狀的三維形態(tài)特征；②用于描述病灶區(qū)域CT值強(qiáng)度分布的一階統(tǒng)計(jì)特征；③用于描述病灶區(qū)域CT值空間分布等信息的紋理特征，包括灰度共生矩陣(gray-level co-occurrence matrix，GLCM)、灰度游程矩陣(gray-level run-length matrix，GLRLM)、灰度區(qū)域大小矩陣(gray-level size zone matrix， GLSZM)、相鄰灰度差分矩陣(neighboring gray tone difference matrix，NGTDM)和灰度相關(guān)矩陣(gray-level dependence matrix，GLDM)等特征。

此外，為了強(qiáng)化病灶區(qū)域的紋理信息，本研究引入了高通或低通小波濾波器和不同參數(shù)的拉普拉斯-高斯濾波器對(duì)原始CT圖像進(jìn)行預(yù)處理，預(yù)處理后的圖像與原始CT圖像一起送入特征提取器中提取組學(xué)特征。最終，對(duì)于每1個(gè)病灶共有1218個(gè)影像組學(xué)特征被提取出來(lái)，并進(jìn)行z-score標(biāo)準(zhǔn)化。

機(jī)器學(xué)習(xí)模型的建立和評(píng)估：為了降低預(yù)測(cè)模型過(guò)擬合風(fēng)險(xiǎn)，提高模型預(yù)測(cè)性能，本研究采用基于互信息的特征選擇算法(joint mutual iIIfbmation maximisation，JMIM)對(duì)組學(xué)特征和臨床病理特征進(jìn)行特征選擇，篩選出與病灶分類(lèi)有顯著關(guān)系的特征。本研究采用支持向量機(jī)(support vector machines，SVM)、隨機(jī)森林(Random Forest)、Logistic回歸分析(Logistic Regression)、Ada Boost、Gradient Boosting、Decision Tree等多種機(jī)器學(xué)習(xí)算法進(jìn)行胃重建增強(qiáng)CT影像組學(xué)模型的建立。

對(duì)每個(gè)模型均采用10折交叉驗(yàn)證進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程需要確定兩組超參數(shù)，分別為JMIM算法中的特征數(shù)和模型的超參數(shù)。對(duì)于JMIM算法中特征個(gè)數(shù)的選擇，選擇特征個(gè)數(shù)為5、8、10、13和15。超參數(shù)使用網(wǎng)格化搜索確定，根據(jù)驗(yàn)證集中受試者工作特征(receiver operating characteristic，ROC)曲線(xiàn)的曲線(xiàn)下面積逆向選擇最佳模型參數(shù)和JMIM算法中的特征數(shù)。

本研究按照4：1比例隨機(jī)將數(shù)據(jù)分為訓(xùn)練集和驗(yàn)證集。根據(jù)兩組最佳超參數(shù)，在整個(gè)訓(xùn)練集上訓(xùn)練，得到最佳模型，并在測(cè)試集上測(cè)試。記錄每次迭代時(shí)模型預(yù)測(cè)訓(xùn)練、驗(yàn)證集及測(cè)試集數(shù)據(jù)為陽(yáng)性的概率，并計(jì)算每個(gè)數(shù)據(jù)作為訓(xùn)練集、驗(yàn)證集或測(cè)試集時(shí)每次迭代記錄的概率的均值，作為模型的訓(xùn)練集、驗(yàn)證集或測(cè)試集的結(jié)果。據(jù)此計(jì)算模型在訓(xùn)練集和驗(yàn)證集的各項(xiàng)指標(biāo)，包括模型的曲線(xiàn)下面積(area under curve，AUC)、準(zhǔn)確度、敏感度、特異度等。最終根據(jù)不同模型AUC指標(biāo)的對(duì)比獲得本次實(shí)驗(yàn)中最佳的模型。所有的實(shí)驗(yàn)均通過(guò)Dr.Wise科研平臺(tái)進(jìn)行。

圖像分析：增強(qiáng)CT圖像的胃癌臨床分期(clinical TNM，cTNM)由兩位分別具有17年及7年工作經(jīng)驗(yàn)的醫(yī)師在Dr.Wise科研平臺(tái)進(jìn)行獨(dú)立、盲法閱片。兩位醫(yī)師的研究方向?yàn)槲改c影像學(xué)，是北京協(xié)和醫(yī)院食管癌及胃癌多學(xué)科協(xié)作組固定成員，在胃癌影像診斷方面具有豐富經(jīng)驗(yàn)。

胃癌cT分期判讀依據(jù)為第八版AJCC指南建議[9]及CT影像征象[10,11]，具體如下：cT1，內(nèi)層高強(qiáng)化癌腫與外層稍高強(qiáng)化肌層間可見(jiàn)連續(xù)完整的低強(qiáng)化條帶，高強(qiáng)化癌腫不超過(guò)胃壁總厚度的 50%；cT2，中層低強(qiáng)化條帶中斷消失，外層殘余部分稍高于強(qiáng)化肌層，高強(qiáng)化癌腫超過(guò)胃壁總厚度的50%；cT3，高強(qiáng)化癌腫侵犯胃壁全層，漿膜面光滑或少許短細(xì)索條，漿膜模糊或短細(xì)索條范圍<1/3全部病變；cT4a，漿膜面不規(guī)則或結(jié)節(jié)樣形態(tài)，周?chē)鹃g隙密集毛刺或條帶狀浸潤(rùn)，漿膜高強(qiáng)化線(xiàn)樣征，并參考斷層分區(qū)定位法；cT4b，與鄰近臟器結(jié)構(gòu)脂肪間隙消失，指狀嵌插或直接浸潤(rùn)為確切侵犯征象，臟器間脂肪間隙密度增高并索條影。

胃癌cN分期判讀依據(jù)為第八版AJCC指南[9]：cN0，0個(gè)轉(zhuǎn)移淋巴結(jié)；cN1，1～2個(gè)轉(zhuǎn)移淋巴結(jié)；cN2，3～6個(gè)轉(zhuǎn)移淋巴結(jié)；cN3a，7～15個(gè)轉(zhuǎn)移淋巴結(jié)；cN3b，16個(gè)及以上轉(zhuǎn)移淋巴結(jié)。轉(zhuǎn)移淋巴結(jié)征象：CT顯示胃周引流區(qū)淋巴結(jié)短徑≥8 mm，或短徑<8 mm、呈圓形、邊緣毛刺狀、3個(gè)及以上成簇分布。

胃癌cM分期判讀依據(jù)為第八版AJCC指南[9]：cM0，無(wú)遠(yuǎn)處轉(zhuǎn)移；cM1，有遠(yuǎn)處轉(zhuǎn)移(包括臟器轉(zhuǎn)移、非區(qū)域淋巴結(jié)轉(zhuǎn)移及腹膜轉(zhuǎn)移等)。

5.病理學(xué)結(jié)果

所有的手術(shù)病理取樣經(jīng)處理后送至病理科，參考第八版AJCC指南進(jìn)行病理分期(pathological TNM，pTNM)[9]，具體標(biāo)準(zhǔn)包括：①T分期：pT1，腫瘤侵犯至粘膜層及粘膜下層；pT2，腫瘤侵犯至肌層；pT3，腫瘤侵犯至漿膜下層；pT4a，腫瘤侵犯至漿膜層；pT4b，腫瘤侵犯至相鄰臟器。②N分期：pN0，無(wú)淋巴結(jié)轉(zhuǎn)移；pN1，1～2個(gè)淋巴結(jié)轉(zhuǎn)移；pN2，3～6個(gè)淋巴結(jié)轉(zhuǎn)移；pN3a，7～15個(gè)淋巴結(jié)轉(zhuǎn)移；pN3b，16個(gè)及以上淋巴結(jié)轉(zhuǎn)移。③M分期：pM0，無(wú)遠(yuǎn)處轉(zhuǎn)移；pM1，存在遠(yuǎn)處轉(zhuǎn)移。

表1 不同T分期、N分期及TNM分期胃癌患者的臨床資料比較 (例)

6.統(tǒng)計(jì)學(xué)分析

采用SPSS 22.0軟件進(jìn)行統(tǒng)計(jì)學(xué)分析。定量資料如患者年齡等以均值±標(biāo)準(zhǔn)差表示，分類(lèi)變量以計(jì)數(shù)及百分比表示。定量資料首先采用Kolmogorov-Smirnov檢驗(yàn)分析是否符合正態(tài)性分布以及方差齊性，如符合正態(tài)分布、方差齊性，則采用獨(dú)立樣本t檢驗(yàn)進(jìn)行組間比較，如不符合正態(tài)性分布或方差齊性，則采用Mann-WhitneyU秩和檢驗(yàn)進(jìn)行組間比較；分類(lèi)資料如病變位置、分期等采用卡方檢驗(yàn)進(jìn)行組間比較。繪制ROC曲線(xiàn)評(píng)估模型的診斷效能，測(cè)試集中影像組學(xué)與臨床醫(yī)師在T、N及TNM分期的診斷能力比較采用McNemar檢驗(yàn)。以P<0.05為差異具有統(tǒng)計(jì)學(xué)意義。

結(jié) 果

1.臨床特征

本研究共納入174例患者，平均年齡為(60.5±10.5)歲(范圍29～83歲)，其中男128例(73.6%)，女46例(26.4%)；病灶位置位于賁門(mén)胃底33例(19.0%)，胃體52例(29.9%)，胃竇89例(51.1%)。病理結(jié)果顯示T1～T2期71例(40.8%)，T3～T4期103例(59.2%)；N0期68例(39.1%)，N1～N3期共106例(60.9%)；TNM總分期Ⅰ期53例(30.4%)，Ⅱ期41例(23.6%)，Ⅲ期79例(45.4%)，Ⅳ期1例(0.6%)。統(tǒng)計(jì)學(xué)分析結(jié)果顯示，不同胃癌T分期患者的年齡差異及不同N分期、TNM分期患者的性別差異有統(tǒng)計(jì)學(xué)意義(P<0.05，表1)，其他不同分期患者間的臨床資料差異均無(wú)統(tǒng)計(jì)學(xué)意義(P>0.05)。

2.影像組學(xué)特征分析結(jié)果

影像組學(xué)特征的研究者間ICC為0.779(95%CI：0.734～0.824)，研究者內(nèi)ICC為0.825(95%CI：0.789～0.862)。

在T1～T2期與T3～T4期預(yù)測(cè)實(shí)驗(yàn)中，在交叉驗(yàn)證中根據(jù)驗(yàn)證集的AUC來(lái)選擇最佳超參數(shù)，最佳特征數(shù)是8個(gè)影像組學(xué)特征(表2)，最佳分類(lèi)模型是AdaBoost，在交叉驗(yàn)證集中的AUC為0.879(95%CI：0.817～0.940)，模型準(zhǔn)確度為83.5%，敏感度為85.5%，特異度為80.4%(圖2)。在測(cè)試集中的AUC為0.832(95%CI：0.687～0.976)，模型準(zhǔn)確度為74.3%，敏感度為75.0%，特異度為73.3%(圖2)。臨床醫(yī)師閱片的準(zhǔn)確度、敏感度、特異度分別為88.6%、95.0%、80.0%及85.7%、95.0%、73.3%(17年及7年經(jīng)驗(yàn)醫(yī)師)，與測(cè)試集結(jié)果差異無(wú)統(tǒng)計(jì)學(xué)意義(P=0.125、0.219)。

N0期與N1～N3期預(yù)測(cè)實(shí)驗(yàn)中，在交叉驗(yàn)證中根據(jù)驗(yàn)證集的AUC來(lái)選擇最佳超參數(shù)，最佳特征數(shù)是13個(gè)影像組學(xué)特征(表2)，最佳分類(lèi)模型是SVM，在交叉驗(yàn)證中的AUC為0.839(95% CI：0.770～0.909)，模型準(zhǔn)確度為82.0%，敏感度為86.1%，特異度為75.5%(圖3)。在測(cè)試集中的AUC為0.670(95% CI：0.481～0.859)，模型準(zhǔn)確度為60.0%，敏感度為65.0%，特異度為53.3%(圖3)。臨床醫(yī)師閱片的準(zhǔn)確度、敏感度、特異度分別為74.3%、95.0%、46.6%及68.6%、75.0%、60.0%(17年及7年經(jīng)驗(yàn)醫(yī)師)，與測(cè)試集結(jié)果差異無(wú)統(tǒng)計(jì)學(xué)意義(P=0.302、0.581)。

根據(jù)AJCC指南，胃癌TNM分期Ⅰ-Ⅱ期與Ⅲ-Ⅳ期分類(lèi)實(shí)驗(yàn)中，在交叉驗(yàn)證中根據(jù)驗(yàn)證集的AUC來(lái)選擇最佳超參數(shù)，最佳特征數(shù)是15個(gè)影像組學(xué)特征(表2)，最佳分類(lèi)模型是Logistic Regression，在交叉驗(yàn)證中的AUC為0.907(95% CI：0.855～0.958)，模型準(zhǔn)確度為86.3%，敏感度為95.5%，特異度為77.8%(圖4)。在測(cè)試集中的AUC為0.703(95% CI：0.514～0.891)，模型準(zhǔn)確度為65.7%，敏感度為61.5%，特異度為68.2%(圖4)。臨床醫(yī)師閱片的準(zhǔn)確度、敏感度、特異度分別為65.7%、53.8%、72.7%及60.0%、53.8%、63.6%(17年及7年經(jīng)驗(yàn)醫(yī)師)，與測(cè)試集結(jié)果差異無(wú)統(tǒng)計(jì)學(xué)意義(P=1.000、0.754)。

圖2 AdaBoost算法影像組學(xué)預(yù)測(cè)胃癌T分期的ROC曲線(xiàn)。 圖3 SVM算法影像組學(xué)預(yù)測(cè)胃癌N分期的ROC曲線(xiàn)。 圖4 Logistic Regression算法影像組學(xué)預(yù)測(cè)胃癌TNM分期的ROC曲線(xiàn)。

表2 胃癌影像組學(xué)T分期、N分期及TNM分期的影像組學(xué)特征

討 論

本研究通過(guò)深度挖掘術(shù)前胃癌患者的增強(qiáng)CT影像數(shù)據(jù)，建立了胃癌T分期、N分期及TNM分期的影像組學(xué)術(shù)前診斷模型。

與大多數(shù)實(shí)體腫瘤根據(jù)大小判斷T分期不同，胃癌及其他消化道惡性腫瘤根據(jù)癌腫侵犯的深度進(jìn)行分期，2019年中國(guó)臨床腫瘤協(xié)會(huì)胃癌診治指南推薦T3及以上分期的胃癌進(jìn)行術(shù)前新輔助治療，因此鑒別T1-T2與T3-T4期對(duì)于臨床決策尤為重要[12]。然而目前AJCC等指南缺乏增強(qiáng)CT胃癌分期的統(tǒng)一標(biāo)準(zhǔn)，為影像科醫(yī)師進(jìn)行術(shù)前分期標(biāo)準(zhǔn)化及普及化帶來(lái)很大困難。影像組學(xué)是一種基于現(xiàn)有影像數(shù)據(jù)的無(wú)創(chuàng)、輔助分析手段，不額外增加患者及醫(yī)療系統(tǒng)負(fù)擔(dān)，建立基于增強(qiáng)CT的胃癌影像組學(xué)術(shù)前診斷工具是一項(xiàng)有益的嘗試[13]。在影像組學(xué)研究早期，Liu等[7]納入153例胃癌患者，提取其增強(qiáng)CT中最大癌腫層面ROI的紋理分析信息，結(jié)果顯示動(dòng)脈期的偏度(skewness)在鑒別早期(T1期，比例4.6%)與進(jìn)展期胃癌(T2-4期，比例95.4%)間具有最大AUC(0.822)。本研究納入8個(gè)增強(qiáng)CT動(dòng)脈晚期腫瘤VOI的影像組學(xué)特征，建立T1-T2與T3-T4的分期診斷模型，結(jié)果顯示，在交叉驗(yàn)證中的AUC可達(dá)為0.879，診斷準(zhǔn)確度為83.5%；在測(cè)試集中的AUC為0.832，模型準(zhǔn)確度為74.3%，通過(guò)更深度提取及挖掘癌腫的影像組學(xué)信息，納入更合理的病例構(gòu)成比的隊(duì)列(T1+T2期病例比例占40.8%)，進(jìn)一步提高診斷效能。與文獻(xiàn)報(bào)道中胃癌臨床TNM分期多采用影像報(bào)告的結(jié)果不同，本研究采用具有豐富胃癌影像診斷經(jīng)驗(yàn)的胃腸放射專(zhuān)業(yè)組醫(yī)師的閱片結(jié)果作為對(duì)比，結(jié)果顯示，影像組學(xué)模型針對(duì)T分期的診斷準(zhǔn)確度雖略遜于胃癌影像專(zhuān)家(準(zhǔn)確度為85.7%～88.6%)，但差異無(wú)統(tǒng)計(jì)學(xué)意義。基于本研究，可通過(guò)設(shè)計(jì)與PACS兼容的胃癌影像組學(xué)后處理軟件，使其成為一種協(xié)助低年資醫(yī)師或非胃腸專(zhuān)業(yè)影像醫(yī)師進(jìn)行胃癌術(shù)前診斷的有力工具。

針對(duì)胃癌淋巴結(jié)轉(zhuǎn)移的判斷，AJCC等指南同樣缺乏統(tǒng)一的影像學(xué)診斷標(biāo)準(zhǔn)。目前在臨床工作中，通常根據(jù)淋巴結(jié)的形態(tài)和大小判斷胃癌N分期，一般認(rèn)為短徑大于1 cm且形態(tài)較圓的淋巴結(jié)為轉(zhuǎn)移性淋巴結(jié)[9]。相關(guān)文獻(xiàn)報(bào)道，根據(jù)此標(biāo)準(zhǔn)，增強(qiáng)CT診斷胃癌N分期的準(zhǔn)確度約為65%[14]，與本研究中影像專(zhuān)家的診斷準(zhǔn)確度相近(68.6%～74.3%)。然而有些正常大小的淋巴結(jié)已經(jīng)出現(xiàn)了微轉(zhuǎn)移，或有些反應(yīng)性淋巴結(jié)明顯增大。相關(guān)研究表明，是否存在淋巴結(jié)轉(zhuǎn)移往往與原發(fā)病灶特點(diǎn)有關(guān)，如低分化、淋巴血管浸潤(rùn)、表皮生長(zhǎng)因子陽(yáng)性等是淋巴結(jié)轉(zhuǎn)移的危險(xiǎn)因素[14]，然而，這些信息均需要在獲取病理后才能得到，不過(guò)這也為通過(guò)研究原發(fā)灶特征來(lái)預(yù)測(cè)淋巴結(jié)狀態(tài)奠定了理論基礎(chǔ)。Feng等[15]通過(guò)手動(dòng)、逐層勾畫(huà)病灶，提取490例胃癌患者的增強(qiáng)CT影像組學(xué)信息，建立淋巴結(jié)轉(zhuǎn)移智能決策模型，結(jié)果證實(shí)其診斷能力高于臨床診斷模型，診斷準(zhǔn)確度分別為71.3%和63.2%。本研究通過(guò)分析原發(fā)病灶CT的影像組學(xué)信息，預(yù)測(cè)淋巴結(jié)轉(zhuǎn)移的準(zhǔn)確度達(dá)60.0%，相對(duì)于影像專(zhuān)家綜合考慮淋巴結(jié)的大小、形態(tài)、邊緣、成簇分布等特點(diǎn)進(jìn)行N分期的診斷效能(準(zhǔn)確度為68.6%～74.3%)，未實(shí)現(xiàn)顯著超越。兩項(xiàng)研究結(jié)果不同可能與入組病例數(shù)、病例構(gòu)成比及臨床診斷模型差異有關(guān)。在未來(lái)的研究中，筆者將會(huì)深入挖掘人工智能的功能，探索自動(dòng)識(shí)別胃癌16組淋巴結(jié)的方法，努力實(shí)現(xiàn)全組淋巴結(jié)勾畫(huà)及分析方案，解決評(píng)估淋巴結(jié)轉(zhuǎn)移的瓶頸問(wèn)題。

正如前述，胃癌分期及侵襲性取決于原發(fā)癌腫的本質(zhì)，例如約10%的早期胃癌已經(jīng)存在淋巴結(jié)轉(zhuǎn)移[16]，AJCC指南亦是根據(jù)T、N、M分期判斷總分期進(jìn)行預(yù)后分析，因此TNM總分期的預(yù)測(cè)在進(jìn)行患者危險(xiǎn)度分層及個(gè)體化咨詢(xún)方面具有指導(dǎo)意義。筆者檢索文獻(xiàn)發(fā)現(xiàn)胃癌影像組學(xué)針對(duì)分期方面的研究較多集中在一個(gè)方面，如浸潤(rùn)深度、淋巴結(jié)轉(zhuǎn)移或腹膜轉(zhuǎn)移等，較少文獻(xiàn)針對(duì)TNM總分期進(jìn)行預(yù)測(cè)。本研究建立胃癌TNM總分期的預(yù)測(cè)模型，結(jié)果顯示測(cè)試集中AUC為0.832，模型準(zhǔn)確度為74.3%，體現(xiàn)出其應(yīng)用的可行性，然而其診斷效能距影像專(zhuān)家(準(zhǔn)確度為85.7%～88.6%)還有一定差距，可能由于本研究入組胃癌的異質(zhì)性較大，如不同部位、分化程度、病理類(lèi)型等，其生物學(xué)行為的差異可能導(dǎo)致分期特點(diǎn)的不同，筆者未來(lái)將通過(guò)加大入組樣本量，進(jìn)行亞組分析，增加新的機(jī)器學(xué)習(xí)算法，進(jìn)一步優(yōu)化和提升模型的診斷效能，以期實(shí)現(xiàn)向臨床應(yīng)用的轉(zhuǎn)化。

本研究存在以下不足:首先，入組的病例數(shù)較少，由于化療后腫瘤及瘤周反應(yīng)可能改變影像表現(xiàn)，本研究隊(duì)列中均為術(shù)前未行化療而直接接受手術(shù)治療的病例，納入IV期胃癌患者數(shù)量較少(僅1例，術(shù)前影像未發(fā)現(xiàn)腹腔種植轉(zhuǎn)移)，存在一定的選擇偏倚；其次，本研究?jī)H采用CT影像組學(xué)定量特征進(jìn)行胃癌分期診斷模型的建立，未納入臨床人口特征、化驗(yàn)指標(biāo)、活檢病理特點(diǎn)等因素，后續(xù)將提倡建立病例庫(kù)，綜合臨床信息，進(jìn)行多模態(tài)分析的深入研究；最后，該研究為單中心、回顧性研究，結(jié)論需要前瞻性、大樣本、多中心研究的進(jìn)一步驗(yàn)證。

綜上所述，胃重建增強(qiáng)CT的定量影像組學(xué)特征在術(shù)前預(yù)測(cè)胃癌T分期、N分期及TNM總分期方面有較高的應(yīng)用價(jià)值，可為胃癌患者制定個(gè)體化治療方案提供了新的依據(jù)。