基于CT的Δ放射组学预测接受新辅助免疫化疗和手术治疗的食管鳞状细胞癌的病理完全反应

背景与目的：如果在手术前能预测食管癌（EC）新辅助免疫化疗的疗效，可以避免不必要的手术，并为患者制定更合适的治疗方案。本研究的目的是评估基于免疫化疗CT影像的Δ特征的机器学习模型预测食管鳞状细胞癌（ESCC）患者新辅助免疫化疗疗效的能力，并与仅基于免疫化疗后CT影像的机器学习模型进行比较。材料与方法：我们研究共纳入95名患者，随机分为训练组（n = 66）和测试组（n = 29）。我们从新辅助免疫化疗前的增强CT影像中提取了免疫化疗前的放射组学特征（前组），并从免疫化疗后增强CT影像中提取了免疫化疗后的放射组学特征（后组）。然后，我们从免疫化疗后特征中减去免疫化疗前特征，获得了一系列新的放射组学特征，这些特征被纳入Δ组。放射组学特征的筛选和降维采用Mann-Whitney U检验和LASSO回归。建立了五对机器学习模型，并通过受试者工作特征（ROC）曲线和决策曲线分析评估其性能。结果：后组的放射组学特征由6个放射组学特征组成；Δ组的放射组学特征由8个放射组学特征组成。性能最佳的机器学习模型的ROC曲线下面积（AUC）在后组为0.824（0.706-0.917），在Δ组为0.848（0.765-0.917）。决策曲线显示我们的机器学习模型具有良好的预测性能。Δ组的表现优于后组的每个相应机器学习模型。结论：我们建立了具有良好预测效能的机器学习模型，并能为临床治疗决策提供一定的参考值。基于Δ影像特征的机器学习模型的表现优于基于单时间节点免疫化疗后影像特征的模型。