通过 MRI 放射组学模型预测结直肠癌肝转移

这项研究为何重要

结直肠癌是全球主要致死原因之一，主要是因为肿瘤常在首次手术前后出现向肝脏的转移。及早发现这种转移会显著改变患者的预后，但现有的影像检查和血液检测远非完美。本研究探讨计算机能否“像读像素间的信息”那样，从常规对原发肠道肿瘤的 MRI 扫描中预测哪些患者更可能发生肝转移，远在转移肉眼可见之前。

看到超出肉眼的细节

常规医学影像通常由人眼来解读，人眼擅长发现明显的肿块，但难以察觉微妙的模式。放射组学是一种新方法，它将每次扫描视为可测量数据的宝库。通过把灰度、形状和纹理转化为数百个数值特征，放射组学使计算机能够检测与肿瘤侵袭性相关的模式。在本研究中，研究者聚焦于结直肠癌常用的两种 MRI 序列：显示解剖结构和液体的 T2 加权图像，以及反映组织内水分子运动、对肿瘤细胞密度敏感的弥散加权图像。

研究如何开展

研究团队分析了来自两家医院、经病理确诊的 194 名结直肠癌患者。所有患者在任何治疗前均接受了 MRI 扫描，并至少随访一年以观察谁发生了肝转移。放射科医生使用专门软件在 T2 加权和弥散加权图像上逐层精确勾画每个原发肿瘤，避开气体、囊肿和周围脂肪。计算机从这些区域提取了 352 个描述肿瘤形态和内部纹理的放射组学特征。随后使用统计方法检验不同观察者和不同扫描仪之间测量的一致性，去除冗余信息，并将特征筛选为最具信息量的子集。

构建与测试预测模型

在得到最有用的特征后，研究者构建了若干预测模型。一种仅使用年龄和血液肿瘤标志物等简单临床信息；另一些则分别基于来自 T2 加权或弥散加权图像的放射组学特征。一个组合放射组学模型融合了两种 MRI 序列的特征，最终的“联合”模型则将这些影像特征与临床危险因素结合。团队在一所医院规模较大的患者组中训练这些模型，然后在第二所医院的独立队列中进行验证，评估每个模型区分发生与未发生肝转移患者的准确性。

模型揭示了什么

影像—临床结合模型表现最佳。在训练组和验证组中，它均优于仅基于临床数据或单一 MRI 序列的模型。其区分高低风险患者的能力（以受试者工作特征曲线下面积衡量）处于较高的“良好”范围。描述肿瘤纹理和形状的特征尤为重要：更不规则、异质性的肿瘤更可能与后续肝转移相关。一种称为癌胚抗原（CEA）的血液标志物被确认为独立的临床危险因素，当与放射组学特征结合时，进一步提高了模型的准确性。

打开“黑箱”

为了提高该复杂模型的透明度，研究者应用了一种称为 SHAP 的方法，为每个特征在个体预测中分配贡献值。该分析显示，来自弥散加权图像的某个纹理特征对模型将患者归类为高风险的影响最强。通过突出哪些影像模式最为关键，此类可解释性工具可增强临床人员对基于人工智能的预测在实际决策中应用的信心。

对患者的意义

这项研究表明，对原发结直肠肿瘤常规采集的 MRI 扫描中藏有关于癌细胞是否可能播散到肝脏的隐性线索。将这些微妙的影像特征与常规血液检测结合，放射组学模型可能帮助医生更早识别高风险患者、调整随访策略，并在需要时选择更加强化或针对性的治疗。尽管在广泛应用之前仍需更大规模的前瞻性研究验证，但这项工作指向了一个前景：借助计算机从已采集的影像中挖掘额外的预后信息，而无需为患者增加额外检查。

引用: Wu, YK., Wang, X., Du, PZ. et al. Prediction of colorectal cancer liver metastasis through an MRI radiomic model. Sci Rep 16, 11148 (2026). https://doi.org/10.1038/s41598-026-40970-0

关键词: 结直肠癌, 肝转移, MRI 放射组学, 癌症预测, 医学影像