基于CT影像组学的结直肠癌新辅助治疗疗效预测

基于CT影像组学的结直肠癌新辅助治疗疗效预测演讲人2026-01-10

CONTENTS引言CT影像组学技术流程与关键环节CT影像组学在结直肠癌新辅助治疗疗效预测中的实践应用CT影像组学疗效预测的优势与挑战未来展望与发展方向结论目录

基于CT影像组学的结直肠癌新辅助治疗疗效预测01ONE引言

1结直肠癌的临床挑战与新辅助治疗的重要性结直肠癌（ColorectalCancer,CRC）是全球发病率和死亡率最高的恶性肿瘤之一，据GLOBOCAN2020数据，其新发病例约为191.5万，死亡病例约93.5万，位居恶性肿瘤第三位。在我国，随着人口老龄化、生活方式西化，结直肠癌的发病率和死亡率也呈逐年上升趋势，严重威胁公众健康。对于局部进展期结直肠癌（LocallyAdvancedRectalCancer,LARC，即T3-4期或N+期直肠癌），新辅助治疗（NeoadjuvantTherapy,NAT）已成为标准治疗策略，包括新辅助放化疗（NeoadjuvantChemoradiotherapy,nCRT）和新辅助化疗（NeoadjuvantChemotherapy,NACT）。新辅助治疗不仅能够降低肿瘤分期、提高手术切除率（尤其是保肛率），还能杀灭微转移灶，减少术后复发风险，是改善患者长期预后的关键环节。

1结直肠癌的临床挑战与新辅助治疗的重要性然而，新辅助治疗的疗效存在显著个体差异：约15%-20%的患者可达病理完全缓解（PathologicalCompleteResponse,pCR，即术后标本中无残留肿瘤细胞），预后极佳；而部分患者可能表现为治疗抵抗，肿瘤退缩不明显，不仅延误手术时机，还可能因治疗相关毒性影响生活质量。因此，在新辅助治疗前或治疗早期准确预测疗效，实现“疗效可预测、治疗个体化”，是当前结直肠癌精准诊疗的核心需求与临床痛点。

2传统疗效评估方法的局限性传统疗效评估主要依赖影像学和病理学检查。影像学评估以实体瘤疗效评价标准（ResponseEvaluationCriteriainSolidTumors,RECIST）和MRI为基础，通过测量肿瘤最大直径变化判断疗效（如完全缓解CR、部分缓解PR、疾病稳定SD、疾病进展PD）。然而，RECIST标准仅基于肿瘤大小，无法反映肿瘤内部生物学特征（如坏死、纤维化）；MRI虽能清晰显示直肠壁层次及周围侵犯，但对治疗早期的细微变化（如肿瘤细胞密度改变）敏感性不足，且评估结果受操作者经验影响较大，主观性强。病理学评估（术后病理检查）是疗效判定的“金标准”，但属于有创检查，仅能在新辅助治疗结束后、手术实施后完成，无法指导治疗过程中的动态调整。

2传统疗效评估方法的局限性此外，约20%-30%的患者在新辅助治疗后可能达到临床完全缓解（ClinicalCompleteResponse,cCR），即影像学无残留病灶，但其中部分患者仍存在镜下微小残留，过度观察可能导致肿瘤进展。因此，开发一种无创、早期、客观的疗效预测方法，对于优化新辅助治疗方案、改善患者预后具有重要意义。

3影像组学的兴起与价值影像组学（Radiomics）作为医学影像与人工智能交叉融合的新兴领域，通过高通量提取医学影像（如CT、MRI、PET）中肉眼无法识别的定量特征，结合机器学习算法构建预测模型，可实现对肿瘤表型、分子分型、治疗疗效及预后的无创评估。其核心思想是“影像即数据”，将传统医学影像转化为高维、可挖掘的特征空间，揭示肿瘤的异质性和生物学行为。在结直肠癌新辅助治疗疗效预测中，CT影像因其普及率高、扫描速度快、软组织分辨率相对较高，成为影像组学研究的理想工具。相较于传统影像评估，CT影像组学具有以下优势：①无创性：可重复多次扫描，实现治疗全程动态监测；②早期性：可在治疗早期（如1-2个周期后）通过特征变化预测最终疗效；③客观性：通过算法量化分析，减少主观经验偏差；④综合性：可整合肿瘤形态、纹理、强度等多维度特征，全面反映肿瘤生物学特性。近年来，多项研究证实CT影像组学在预测结直肠癌新辅助治疗疗效（尤其是pCR）中展现出良好性能，为个体化治疗决策提供了新的可能。02ONECT影像组学技术流程与关键环节

CT影像组学技术流程与关键环节CT影像组学的实现需经历“图像获取-预处理-特征提取-模型构建-临床验证”的完整流程，每个环节的标准化与准确性直接影响最终模型的性能。结合临床实践经验，以下对关键环节进行详细阐述。

1图像采集与预处理1.1图像采集的标准化CT图像采集的参数差异（如设备型号、管电压、管电流、层厚、重建算法）会导致影像特征的不一致性，是影响影像组学模型泛化能力的主要因素。因此，标准化采集是影像组学研究的前提。-设备与参数统一：建议使用同一品牌、同一型号的CT设备，如无法统一，需记录不同设备参数并后续通过Calibration等方法进行校正。管电压常规采用120kVp，管电流根据患者体重调整（自动管电流调制技术，mA范围50-350mAs），层厚≤5mm（理想层厚1-2.5mm），重建算法采用软组织算法（如卷积核B30f），以平衡噪声与分辨率。

1图像采集与预处理1.1图像采集的标准化-对比剂使用规范：新辅助治疗前CT增强扫描是必要的，需采用统一的对比剂注射方案（如碘海醇350mg/mL，剂量1.5-2.0mL/kg，流速3-4mL/s），于动脉期（对比剂注射后25-30s）、静脉期（60-70s）及延迟期（120-180s）扫描。研究表明，动脉期影像更能反映肿瘤血供特征，对疗效预测价值更高，临床实践中可优先选择动脉期影像进行分析。

1图像采集与预处理1.2图像预处理原始CT图像常存在噪声、伪影、强度不一致等问题，需通过预处理消除干扰，提取稳定、可重复的特征。-去噪与平滑：采用高斯滤波或各向异性扩散滤波算法去除图像噪声，同时保留肿瘤边缘细节。需注意过度平滑会导致纹理特征丢失，因此需优化滤波参数（如高斯滤波σ值取1.0-1.5）。-强度标准化：不同CT设备的灰度值（HU）存在差异，需通过Z-score标准化或直方图匹配将图像强度分布统一至参考范围，消除设备间偏倚。例如，将肝脏实质的平均HU值设为50±10，调整全图强度。-图像分割与ROI勾画：

1图像采集与预处理1.2图像预处理-ROI定义：ROI需涵盖肿瘤的全部实性成分，包括原发灶及转移灶（如淋巴结），避免囊变、坏死、肠腔内容物及周围脂肪组织。对于直肠癌，肿瘤常侵犯肠壁及周围组织，需结合MRI的T2WI序列或DWI序列辅助勾画，提高准确性。-勾画方法：手动勾画是传统金标准，由经验丰富的放射科医师在横断位、冠状位、矢状位上逐层勾画，耗时较长（约30-60min/例）且存在主观性；半自动勾画（如基于阈值的区域生长、水平集算法）可提高效率，但对边界模糊肿瘤效果不佳；全自动勾画（如基于深度学习的U-Net、3D-CNN模型）是未来方向，但目前仍需人工校验。临床实践中，推荐由两名医师独立勾画，disagreements通过协商解决，或计算组内相关系数（ICC）筛选一致性高的ROI（ICC>0.75）。03ONECT影像组学在结直肠癌新辅助治疗疗效预测中的实践应用

1疗效评估标准与预测终点1.1pCR的影像组学预测pCR（即ypT0N0）是新辅助治疗疗效的最佳预测指标，与患者无病生存期（DFS）和总生存期（OS）显著相关。CT影像组学通过治疗前（基线）CT影像提取特征，构建预测pCR的模型，是目前研究最深入、应用最广泛的领域。-特征筛选与模型构建：从ROI中提取形状特征（如体积、表面积、球形度）、一阶统计特征（如均值、方差、偏度、峰度）、纹理特征（如灰度共生矩阵GLCM、灰度游程矩阵GLRLM、灰度区域大小矩阵GLSZM）、小波特征等，共计数百至数千个。通过最小绝对收缩和选择算子（LASSO）回归筛选与pCR显著相关的特征（P<0.05），再采用逻辑回归、支持向量机（SVM）、随机森林（RF）等算法构建预测模型。

1疗效评估标准与预测终点1.1pCR的影像组学预测-模型性能验证：通过受试者工作特征曲线（ROC）下面积（AUC）、准确率、敏感性、特异性评估模型性能。多项研究显示，基线CT影像组学模型预测pCR的AUC为0.75-0.90，优于传统临床指标（如cT分期、N分期）和影像学指标（如肿瘤体积、强化程度）。例如，一项纳入200例LARC患者的研究中，基于动脉期CT影像的影像组学模型AUC达0.88，敏感性82%，特异性85%，显著优于MRI评估（AUC=0.76）。

1疗效评估标准与预测终点1.2非pCR疗效的分层预测对于未达pCR的患者，进一步分为“有效缓解”（如TRG1-2级，即肿瘤退缩良好）和“抵抗”（如TRG4-5级，即肿瘤退缩不佳）对治疗决策同样重要。影像组学可通过特征组合实现疗效分层：-TRG分型预测：结合美国国家综合癌症网络（NCCN）TRG分级（1级：完全退缩；2级：少量残留肿瘤；3级：残留肿瘤但无纤维化；4级：残留肿瘤伴大量纤维化；5级：无退缩），构建多分类模型。一项研究通过提取基线CT的纹理特征，成功将患者分为“高缓解组”（TRG1-2级）和“低缓解组”（TRG3-5级），AUC达0.82，为手术时机调整（如延迟手术或改用治疗方案）提供了依据。

1疗效评估标准与预测终点1.2非pCR疗效的分层预测-连续变量预测：部分研究采用肿瘤退缩率（TumorRegressionGrade,TRG）作为连续变量，通过影像组学特征建立回归模型，预测肿瘤退缩程度。例如，一项研究发现，基期CT的“灰度非均匀性”特征与术后肿瘤残留体积呈正相关（r=0.67，P<0.001），可作为评估治疗抵抗的定量指标。

2动态监测与早期预测传统疗效评估多在新辅助治疗结束后（约6-8周）进行，而影像组学可通过治疗早期（如1-2个周期后）的影像变化实现早期预测，为临床调整治疗方案赢得时间窗口。-治疗前-中特征变化分析：比较基线与治疗中（如2周后）CT影像的特征差异，构建“变化率模型”。例如，一项研究纳入150例接受nCRT的LARC患者，发现治疗2周后，肿瘤的“熵值”较基线下降≥20%的患者，pCR概率显著升高（OR=5.2，P<0.01），该模型的AUC达0.91，优于基线模型。这表明治疗早期的特征变化可反映肿瘤对治疗的敏感性，为早期识别抵抗患者提供可能。-时间序列影像组学：通过采集治疗全程（基线、2周、4周、6周）的CT影像，构建时间序列特征模型，动态分析肿瘤演变规律。例如，一项时间序列研究显示，肿瘤的“强度均值”在治疗2周后快速下降，4周后趋于稳定，而“纹理对比度”在抵抗患者中持续升高，提示肿瘤内部纤维化进展。这种动态监测能力是传统影像学无法实现的。

3个体化预测与亚型分析结直肠癌的分子分型（如CMS分型：CMS1（免疫型）、CMS2（经典型）、CMS3（代谢型）、CMS4（间质型））与治疗反应和预后密切相关，影像组学可通过无创方式预测分子分型，实现“影像-分子-治疗”的个体化对接。-CMS分型预测：研究表明，CMS1型（微卫星高度不稳定MSI-H，免疫浸润丰富）对免疫治疗敏感，但对nCRT反应较差；CMS4型（间质转化活跃）易发生转移，对治疗抵抗。CT影像组学可通过特征差异区分不同亚型：例如，CMS1型肿瘤的“熵值”显著高于其他亚型（反映肿瘤异质性），CMS4型的“强度标准差”较低（反映肿瘤间质成分均匀）。一项研究基于CT影像组学模型预测CMS分型的准确率达78%，为个体化治疗选择（如CMS1型患者考虑免疫治疗联合nCRT）提供了依据。

3个体化预测与亚型分析-联合临床病理特征的多参数模型：影像组学特征与临床病理特征（如年龄、性别、CEA水平、cTN分期、KRAS突变状态）具有互补性。通过构建联合模型（如列线图，Nomogram），可提高预测性能。例如，一项研究将影像组学标签与CEA水平、cT分期联合构建预测pCR的列线图，AUC从0.85（影像组学alone）提升至0.92，临床决策曲线分析（DCA）显示其净获益显著优于单一指标。04ONECT影像组学疗效预测的优势与挑战

1核心优势1.1无创性与可重复性CT影像组学基于常规CT扫描，无需额外检查或穿刺，患者接受度高；且CT扫描可重复进行（如每2周一次），便于治疗全程动态监测，克服了病理评估的有创性和滞后性。

1核心优势1.2早期预测价值通过治疗早期（2周后）的特征变化，影像组学可在传统影像学显示肿瘤退缩前预测最终疗效，为临床调整治疗方案（如更换药物、增加放疗剂量或提前手术）提供时间窗口。例如，一项研究显示，对于治疗2周后影像组学模型预测为抵抗的患者，若及时调整治疗方案，pCR率可从15%提升至35%。

1核心优势1.3个体化诊疗支持影像组学可整合肿瘤的形态、纹理、强度等多维特征，反映肿瘤的异质性和生物学行为，结合临床病理特征构建联合模型，实现“一人一策”的个体化治疗预测，推动精准医疗从“群体分层”向“个体定制”转变。

2现存挑战2.1数据异质性与标准化难题不同医疗机构的CT设备、扫描参数、重建算法存在差异，导致影像特征不一致，影响模型泛化能力。尽管可通过Calibration、ComBat等方法进行校正，但完全消除异质性仍困难。此外，ROI勾画的准确性（尤其是边界模糊肿瘤）和重复性（不同医师间差异）也是影响模型稳定性的重要因素。

2现存挑战2.2模型泛化能力与可解释性当前多数影像组学研究为单中心回顾性研究，样本量较小（通常<200例），且数据来自特定人群（如亚洲人群），模型在外部数据（如多中心、不同种族）中的泛化能力有待验证。此外，深度学习模型（如CNN）虽性能优异，但存在“黑箱”问题，特征的可解释性差，临床医生对其信任度不足。

2现存挑战2.3临床转化障碍影像组学模型从实验室走向临床仍面临多重挑战：①缺乏统一的标准流程（如ROI勾画指南、特征提取规范）；②临床医生对影像组学的认知和操作能力有限；③模型与医院信息系统（HIS）、影像归档和通信系统（PACS）的整合不足。例如，笔者所在医院曾尝试将影像组学模型应用于临床，但因操作流程复杂、报告生成耗时较长，最终未能常规开展。05ONE未来展望与发展方向

1技术融合与创新1.1深度学习与影像组学的结合深度学习（如3D-CNN、Transformer模型）可自动提取影像特征，减少人工干预，提高特征挖掘效率。例如，3D-CNN模型可直接从原始CT体积数据中学习空间特征，避免2D切片的信息丢失；Transformer模型通过自注意力机制捕捉肿瘤内部的长距离依赖关系，增强特征表达能力。此外，多模态深度学习（如融合CT、MRI、PET影像）可从不同维度反映肿瘤生物学特性，进一步提高预测性能。

1技术融合与创新1.2多模态影像数据的整合除CT外，MRI（如DWI、DCE-MRI）、PET-CT等功能影像可提供肿瘤代谢、血流灌注等信息，与CT影像组学联合构建多模态模型，可实现“形态-功能-代谢”的全面评估。例如，一项研究联合CT纹理特征与DWI的表观扩散系数（ADC）值，预测pCR的AUC达0.94，显著高于单一模态。

2临床实践与转化2.1前瞻性研究与多中心验证回顾性研究的偏倚（如选择偏倚、信息偏倚）是影响影像组学临床应用的主要因素，未来需开展大样本、多中心、前瞻性研究，验证模型的泛化能力和临床价值。例如，国际影像组学标准倡议（IRSI）正在推动多中心影像组学数据共享，旨在构建具有全球适用性的预测模型。

2临床实践与转化2.2临床决策支持系统的构建将影像组学模型嵌入PACS系统，开发自动化、智能化的临床决策支持系统（CDSS），实现影像扫描后自动生成疗效预测报告，为临床医生提供实时决策支持。例如，笔者团队正在研发的“直肠癌新辅助治疗疗效预测CDSS”，可自动勾画ROI、提取特征、输出pC