Radiology子刊 暨南大学附属第一医院等团队：基于肿瘤和内脏脂肪组织CT特征的深度学习模型用于预测浆膜浸润性胃癌根治术后腹膜转移风险

01文献学习今天分享的文献是由暨南大学附属第一医院张水兴教授团队于2026年4月24日在《Radiology: Imaging Cancer》中科院2区IF6.3上发表的研究“Deep Learning Model Based on Tumor and Visceral Adipose Tissue CT Features for Predicting Peritoneal Metastasis Risk after Radical Gastrectomy in Serosa-Invasive Gastric Cancer”即基于肿瘤和内脏脂肪组织CT特征的深度学习模型用于预测浆膜浸润性胃癌根治术后腹膜转移风险该研究开发并验证了一种多模态深度学习模型MDLR该模型整合了术前CT图像中的肿瘤特征、内脏脂肪组织VAT特征及临床指标用于预测浆膜浸润性胃癌患者根治术后腹膜转移PM的风险。模型在内部和外部测试集中均表现出良好的预测性能AUC均为0.86并能显著区分高、低风险患者的无复发生存期。创新点①融合肿瘤与内脏脂肪组织CT特征首次将两者深度特征结合突破单一区域分析局限更全面捕捉腹膜转移风险。②构建多模态深度学习模型MDLR整合影像深度特征与临床指标预测性能显著优于单一模型AUC达0.86。③专注浆膜浸润胃癌术后风险针对T4a期同质高危人群实现有效风险再分层弥补传统分期鉴别力不足。临床价值①术前无创预测指导个体化治疗基于常规CT即可评估腹膜转移风险辅助筛选腹腔内化疗IPC获益人群避免过度治疗。②优化术后复发管理高风险组复发-free生存显著缩短支持强化随访与辅助治疗决策改善患者预后。③多中心验证泛化能力可靠内外测试集AUC均达0.86决策曲线显示明确临床净收益具备推广潜力。图 2数据预处理、深度特征提取与模型构建工作流A数据处理流程原始CT数据获取静脉期CTHU值图像肿瘤区域处理手动分割肿瘤ROI→提取掩码→resize为512×512内脏脂肪组织VAT处理自动分割人工修正→阈值处理→提取掩码→resize为512×512B基于ResNet18的深度学习特征DLS构建输入肿瘤/VAT的512×512 CT图像网络ResNet18Block1-Block4卷积模块特征提取卷积层输出3904维深度特征特征筛选Mann-Whitney U检验mRMR算法→保留100个最优特征分类器SBELM稀疏贝叶斯极限学习机→输出PM/Non-PM预测C临床模型CM构建输入临床指标性别、肿瘤位置经单因素分析筛选统计检验卡方检验、t检验、Fisher精确检验P0.05为有意义分类器SBELM→构建临床预测模型D多模态深度学习放射组学模型MDLR构建输入融合深度学习特征F-DLS临床指标分类器ISBELM集成SBELM输出最终腹膜转移风险预测结果02研究背景和目的研究背景胃癌是全球第五大常见恶性肿瘤也是癌症相关死亡的第三大主要原因。腹膜转移是胃癌术后最常见的转移模式尤其是在T3或T4期浆膜浸润性胃癌患者中高达50%的患者在接受根治性手术后会出现腹膜转移。一旦发生腹膜转移患者预后极差中位生存期仅3-6个月5年总生存率低于2%。因此早期、准确地识别高危患者对于改善治疗决策和预后至关重要。然而目前临床常用的预测手段存在明显局限TNM分期系统无法对同为局部晚期的浆膜浸润性胃癌患者进行进一步的风险分层CT检查仅能发现具有大网膜饼征或腹膜增厚等典型特征的晚期腹膜转移对早期或隐匿性转移敏感性低腹腔灌洗细胞学检查灵敏度也不理想许多阴性结果的患者术后仍会发生腹膜转移。近年来越来越多的证据表明内脏脂肪组织不仅是能量储存器官更通过分泌脂肪因子、调控局部炎症和维持促肿瘤微环境等机制主动参与肿瘤细胞的腹腔播散和种植过程。基于CT影像的内脏脂肪组织特征可能无创地捕获这些生物学信息。深度学习技术能够提取人眼难以识别的深层影像特征为整合肿瘤与内脏脂肪组织特征、构建更精准的预测模型提供了新的技术途径。在此背景下开发一种基于术前CT影像的无创预测工具具有重要的临床意义。研究目的本研究旨在开发并验证一种融合肿瘤和内脏脂肪组织CT影像特征与临床指标的深度学习模型用于预测浆膜浸润性胃癌患者接受根治性胃切除术后发生腹膜转移的风险。具体而言该研究利用多中心回顾性队列数据首先采用ResNet18网络分别从术前CT的肿瘤区域和内脏脂肪组织区域提取深度学习特征构建基于肿瘤、内脏脂肪组织以及两者融合的深度学习特征标签。进一步将这些深度学习特征与术前可获得的临床变量如性别、肿瘤位置等相结合通过稀疏贝叶斯极限学习机构建一个多模态深度学习影像组学模型。研究通过受试者工作特征曲线下面积、综合判别改善指数、校准曲线、决策曲线分析以及无复发生存期等多种指标在内部测试集和独立外部测试集中全面评估模型的预测性能、校准度和临床净收益。最终目标是实现术前无创评估腹膜转移风险对患者进行有效的术后风险分层从而指导个体化治疗决策——例如筛选适合接受术中或术后腹腔内化疗的高危患者避免对低危患者进行不必要的过度治疗并为更密切的术后随访或临床试验入组提供依据。03数据和方法研究数据样本来源两家中心暨南大学附属第一医院、江门市中心医院时间范围2008年4月至2018年1月总样本量416例训练集181例、内部测试集121例、外部测试集114例入组标准接受根治性胃切除术病理 confirmed 浆膜浸润性胃癌术前4周内行增强CT完整临床和随访资料排除标准术前已有PM、接受过新辅助治疗PM发生率中心1为23.5%中心2为22.8%图 1患者筛选流程图技术方法影像处理人工勾画肿瘤ROI自动分割VAT同一CT层面深度学习模型使用预训练ResNet18提取肿瘤和VAT特征构建三种DLSTT-DLS、VAT-DLS、F-DLS模型构建使用稀疏贝叶斯极限学习机SBELM融合临床变量构建多模态深度学习影像组学模型MDLR评估指标AUC、IDI、校准曲线、决策曲线分析、Kaplan-Meier生存分析可视化Grad-CAM用于解释模型关注区域04实验结果①F-DLS表现内部测试集AUC0.81外部测试集AUC0.79②MDLR表现内部测试集AUC0.86外部测试集AUC0.86显著优于临床模型和单区域DL模型IDIP0.001③风险分层高风险组RFS显著短于低风险组30.0个月 vs 46.1个月log-rank P0.001④可视化Grad-CAM显示模型关注肿瘤-浆膜界面及VAT区域图 3-深度学习模型及多模态模型的ROC曲线包含A、B、C、D四个子图分别对应训练集、内部测试集、外部测试集和总体测试集的ROC曲线。各子图中均展示TT-DLS、VAT-DLS、F-DLS、临床模型和MDLR五条曲线。结果显示MDLR曲线下面积最大在内部测试集中达0.8695% CI: 0.79, 0.92外部测试集同样为0.86显著优于其他模型。F-DLS也表现出较好性能AUC约0.80而单独临床模型表现最差AUC约0.55-0.60凸显了深度学习特征融合的价值。图 4-基于MDLR风险分层的Kaplan-Meier无复发生存曲线包含A、B、C、D四个子图分别对应训练集、内部测试集、外部测试集和总体测试集。各子图均显示高、低风险两组患者的生存曲线以MDLR预测概率结合约登指数确定阈值进行分层。在所有数据集中高风险组的无复发生存期均显著短于低风险组log-rank检验P ≤ 0.001。例如总体测试集中高风险组平均无复发生存为30.0个月低风险组为46.1个月。该图验证了MDLR不仅可预测腹膜转移风险还能有效实现术后复发风险分层。05研究结论针对浆膜浸润性胃癌患者研究者构建的多模态深度学习放射组学模型MDLR通过整合术前CT图像中的肿瘤特征、内脏脂肪组织VAT特征以及临床指标能够有效预测根治性胃切除术后腹膜转移风险。模型在内部和外部独立测试集中均表现出稳健的预测性能AUC均为0.86显著优于仅使用临床指标或单一深度学习特征如单纯肿瘤或VAT特征的模型。融合肿瘤与VAT特征的深度学习特征F-DLS相比单一区域特征具有更高的预测效能提示肿瘤与周围脂肪微环境之间存在潜在的协同生物学机制。进一步分析显示MDLR能够将患者区分为高、低风险组高风险组的无复发生存期显著缩短验证了其在预后分层中的价值。该模型基于术前常规CT影像无需有创操作有助于早期识别高危患者从而为个体化治疗决策如是否实施腹腔内化疗、加强术后监测提供依据。尽管研究存在回顾性设计、样本量有限等不足但MDLR为浆膜浸润性胃癌的无创腹膜转移风险分层提供了有前景的工具。06QAQ1本研究提出的MDLR模型相比传统临床模型或单一深度学习特征模型预测腹膜转移的优势体现在哪些方面A1本研究提出的多模态深度学习影像组学模型MDLR融合了肿瘤CT特征、内脏脂肪组织VATCT特征以及术前临床指标如性别、肿瘤位置等。相比仅基于临床指标的模型CMAUC 0.55–0.57或仅基于肿瘤TT-DLS或VATVAT-DLS的单一深度学习模型MDLR在所有测试集中均表现出更高的AUC内部测试集AUC 0.86外部测试集AUC 0.86显著提升了预测能力。综合判别改善指数IDI分析也显示MDLR显著优于单一特征模型P 0.001且具有良好的校准性和临床净收益。Q2为什么本研究选择将内脏脂肪组织VAT作为预测腹膜转移的重要影像特征A2VAT不仅是能量储存组织还具有免疫调节和代谢活性能通过分泌脂肪因子、诱导炎症、促进肿瘤微环境形成等方式影响肿瘤细胞在腹膜中的播散和种植。已有研究表明VAT与胃癌的化疗反应、并发症和生存率相关。本研究进一步发现VAT在肿瘤所在CT层面的影像特征具有独立预测价值VAT-DLS在外部测试集中的AUC达到0.73说明其在预测腹膜转移中具有重要作用。因此将VAT纳入模型可更全面地反映腹膜转移的生物学机制。Q3本研究的MDLR模型在临床实践中有哪些潜在应用价值A3MDLR模型基于术前常规CT影像和临床指标可无创地预测术后腹膜转移风险具有以下潜在临床应用价值①筛选高风险患者为可能从术中腹腔内化疗IPC或更激进的治疗策略中获益的患者提供依据②指导个体化治疗辅助制定术后辅助治疗策略如加强化疗、密切随访或纳入临床试验③避免过度治疗识别低风险患者避免不必要的有创治疗或资源浪费④预后分层通过模型划分的高、低风险组在无复发生存期RFS上具有显著差异log-rank P 0.001有助于预后判断和患者沟通。07