01
文献学习
今天分享的文献是由绍兴市人民医院放射科等团队于2026年4月在《Academic Radiology》（中科院2区，IF=3.9）上发表的研究“Multiparametric MRI-Based Integrated Analysis of Clinical, Radiomics, Deep Learning, and Machine Learning for Predicting Tumor Proliferation and Prognosis in Locally Advanced Rectal Cancer”即基于多参数MRI的临床、影像组学、深度学习和机器学习综合模型预测局部晚期直肠癌肿瘤增殖与预后，该研究开发并验证了一个基于多参数MRI的综合预测模型，整合临床特征、影像组学、深度学习和多种机器学习算法（共12种算法、107种组合），用于术前预测局部晚期直肠癌患者的Ki-67表达状态，并评估其与无复发生存期（RFS）的关联。模型在内部和外部验证集中均表现出良好的预测性能和生存分层能力。
创新点：①整合12种机器学习算法与107种组合，系统筛选出最优预测模型（Stepglm[both]+glmBoost），提升稳定性和泛化能力。②联合放射组学与深度学习特征，从四序列MRI挖掘互补信息，小波变换特征有效捕捉瘤内异质性。③构建预测Ki-67表达的nomogram，并验证其与无复发生存期的强关联，实现术前无创评估肿瘤增殖状态。
临床价值：①提供无创、全肿瘤的Ki-67评估，克服活检采样偏倚与瘤内异质性，作为活检的补充工具。②基于常规多参数MRI，无需额外检查，术前即可进行风险分层并指导个体化治疗决策。③预测的Ki-67状态与预后显著相关（HR≈4.6-4.95），有助于识别高危患者、优化随访策略。
图 2：研究整体工作流程图
数据输入：3个中心LARC患者的多序列MRI（T2WI、T1WI、DWI、增强T1WI）+临床数据
影像预处理：N4偏置校正、归一化、重采样、手动肿瘤ROI勾画
特征提取
影像组学特征：Pyradiomics提取
深度学习特征：3D-ResNet提取
特征筛选：ICC重复性检验→t检验→Spearman相关性去冗余→mRMR特征排序
算法与模型构建
12种机器学习算法+107种组合→优选最优算法→构建RDL模型（影像组学+深度学习）
结合临床独立危险因素→构建联合列线图模型
模型评估：ROC/AUC、DeLong检验、校准曲线、DCA、Kaplan-Meier生存分析
02
研究背景和目的
研究背景
结直肠癌是全球第三大常见恶性肿瘤和第二大癌症相关死亡原因，其中局部晚期直肠癌（LARC，T3-4期和/或淋巴结阳性、无远处转移）约占直肠癌病例的70%。尽管多模式治疗改善了患者预后，但肿瘤内部的分子和病理异质性导致临床结局差异显著。肿瘤增殖活性是影响肿瘤侵袭性和预后的关键生物学特征，而Ki-67作为经典的增殖标志物，已被证实与直肠癌的分期和预后密切相关。然而，传统Ki-67检测依赖内镜活检，由于肿瘤内异质性及活检样本量小、碎片化等问题，活检结果难以准确反映整体肿瘤的增殖状态，且判读存在观察者间差异。因此，临床亟需一种无创、可靠、可重复的评估方法，能够提供全肿瘤范围的增殖活性估计。磁共振成像（MRI）凭借多参数成像优势和优异的软组织对比度，已成为LARC术前评估的首选影像手段，但常规MRI阅片无法定量评估增殖活性。近年来，影像组学和深度学习在肿瘤影像分析中展现出强大能力，可提取人眼无法感知的高维定量特征并学习复杂模式，而机器学习作为分析框架，能将提取的特征转化为预测模型。然而，针对不同肿瘤类型和数据模态，如何选择最优的机器学习算法仍是重大挑战。因此，开展多中心、多参数MRI整合分析研究具有重要临床意义。
研究目的
本研究旨在开发并验证一种基于多参数MRI的综合预测框架，该框架整合临床数据、影像组学、深度学习和机器学习技术（涵盖12种机器学习算法、107种算法组合），用于无创评估局部晚期直肠癌患者术前Ki-67表达水平，并进一步探索其与患者预后的关联。研究的具体目标包括：首先，通过严格的四步特征筛选流程（包括重复性筛选、单变量检验、相关性过滤和最小冗余最大相关算法）从T2WI、T1WI、DWI和增强T1WI四个序列中提取稳定的影像组学和深度学习特征；其次，利用集成式机器学习框架筛选最优算法组合（最终确定为Stepglm[both] + glmBoost），构建影像组学-深度学习（RDL）评分；再次，通过多变量逻辑回归将RDL评分与独立临床预测因子（最大肿瘤厚度和癌胚抗原）结合，形成列线图（即联合模型）；最后，在训练、内部验证和外部验证三个队列中全面评估模型的判别性能、校准度和临床净获益，并通过Kaplan-Meier生存分析验证模型预测的Ki-67表达状态与无复发生存期（RFS）的关联。该框架旨在补充而非替代活检评估，通过提供可重复的、全肿瘤范围的影像衍生Ki-67估计，助力个性化治疗决策和风险分层管理。
03
数据和方法
研究数据
样本量：共384例LARC患者
训练集：189例（中心1）
内部验证集：81例（中心1）
外部验证集：114例（中心2、3）
Ki-67高表达比例：约68.8%~71.1%
数据来源：多中心回顾性数据（2016.01–2022.08）
图 1：患者招募流程图
技术方法
图像预处理：N4偏置校正、归一化、重采样
特征提取：
影像组学：6380个特征
深度学习：2048个特征（3D-ResNet）
特征筛选：
ICC > 0.8、t检验、Spearman相关、mRMR
模型构建：
12种ML算法 × 107种组合
最优组合：Stepglm[both] + glmBoost
模型整合：
临床模型（CEA + 最大肿瘤厚度）
影像组学、DL、RDL、融合模型（+临床）
统计分析：AUC、Delong检验、校准曲线、DCA、Kaplan–Meier
04
实验结果
最佳模型：RDL + Clinical（联合模型，nomogram）
内部验证集AUC：0.884
外部验证集AUC：0.895
显著临床预测因子：CEA、最大肿瘤厚度
生存分析：
高风险组（nomogram评分 ≥ 0.137）RFS显著更差
HR范围：4.16–4.95（p < 0.01）
模型鲁棒性：在Ki-67阈值30%、40%下仍表现稳定
图3-放射组学与深度学习特征整合及机器学习建模结果：包含四个子图。a展示了利用机器学习框架整合放射组学和深度学习特征预测Ki-67表达的流程图。b为最优诊断模型（Stepglm[both]+glmBoost）在训练、内部验证和外部验证队列中的ROC曲线，平均AUC达0.869。c为14个最终保留特征的Spearman相关性热图，所有相关系数均<0.6，表明多重共线性较低。d为箱线图，显示这14个特征在高、低Ki-67表达组间均存在显著差异（p<0.05）。
图4-七种模型预测性能比较及Nomogram构建：包含七个子图。a-c分别为训练、内部验证、外部验证队列中临床、放射组学、深度学习、RDL、放射组学+临床、深度学习+临床及联合模型的ROC曲线，联合模型在外部验证中AUC达0.895。d为联合模型可视化的Nomogram，整合了最大肿瘤厚度、CEA水平和RDL评分。e-g为DeLong检验结果，显示联合模型显著优于其他模型（p<0.05），且加入深度学习特征后性能显著提升。
图5-Nomogram校准曲线与决策曲线分析：包含两个子图。a为联合模型在训练、内部验证和外部验证队列中的校准曲线，三条曲线均贴近对角线，表明模型预测的Ki-67高表达概率与实际观测概率之间具有良好的一致性，模型校准度优秀。b为全队列中的决策曲线分析（DCA），结果显示Nomogram在较宽的阈值概率范围内（约0.1~0.8）均能带来正向净获益，显著优于“全干预”或“无干预”策略，证实该模型具有良好的临床实用价值。
图6-Kaplan-Meier无复发生存曲线：包含三个子图，分别展示了训练队列（a）、内部验证队列（b）和外部验证队列（c）中根据Nomogram最佳截断值（0.137）分组的患者无复发生存曲线。结果显示，预测高表达组（模型预测Ki-67≥50%）在所有三个队列中的无复发生存率均显著低于预测低表达组（训练队列p<0.001，HR=4.16；内部验证p=0.009，HR=4.95；外部验证p<0.001，HR=4.62），证实模型预测的Ki-67状态与患者预后强烈相关。
05
研究结论
该研究开发并验证了一个基于多参数MRI的诺模图，整合临床数据（最大肿瘤厚度、CEA）、影像组学、深度学习（DL）和12种机器学习算法的107种组合，用于术前预测局部晚期直肠癌（LARC）患者的Ki-67增殖指数及预后。研究结果表明：该整合模型（RDL+临床）在训练、内部验证和外部验证队列中均表现出优异的预测性能（AUC分别为0.939、0.884、0.895），显著优于单独的临床、影像组学或深度学习模型。通过Kaplan-Meier生存分析，模型预测的高Ki-67表达组患者的无复发生存期（RFS）显著更差（HR达4.16-4.95），证实了其预后价值。该诺模图能够无创、全肿瘤地评估增殖状态，可有效弥补活检因瘤内异质性导致的采样偏倚，为LARC患者的个体化治疗决策和风险分层提供了可靠的影像学生物标志物。
参考文献：Li Z, Huang H, Cai R, Qin Y, Lu Z, Wang D. Multiparametric MRI-Based Integrated Analysis of Clinical, Radiomics, Deep Learning, and Machine Learning for Predicting Tumor Proliferation and Prognosis in Locally Advanced Rectal Cancer. Acad Radiol. 2026 Apr 8:S1076-6332(26)00230-8. doi: 10.1016/j.acra.2026.03.033.
