食管癌是引起恶性肿瘤患者死亡的第六大原因，也是全世界第八常见的恶性肿瘤。食管鳞状细胞癌(ESCC)是中国食管癌的主要组织学亚型。经大规模随机临床试验证明，新辅助放化疗(NCRT)结合手术对局部晚期EC的治疗有很大程度的优势。

病理完全缓解 (pCR)是nCRT的最终目标，对于具有pCR的患者有更好的总生存期 (OS)。然而，pCR只有在手术后才能确诊。那些对nCRT有反应的患者无论是否接受手术治疗都可能有良好的预后。有些病人本可以避免手术；另一方面，对于那些无反应NC RT患者可以考虑手术干预以避免不必要的放化疗相关的并发症。总之，在治疗前预先筛选潜在的应答者可以减轻患者的经济负担，最大限度地提高患者的利益。因此，在治疗前开发一种术前、非侵入性和准确的方法来预测pCR具有重要的临床意义。

放射组学是一个新兴的领域，其使用算法从放射医学图像中提取大量的特征，包括CT、PET和MRI。然而，在大多数国家，FDG-PET和MRI都不常用作为EC的常规术前评估。因此，如果CT能够对组织病理学进行准确的术前评估则效率更高。

近日，发表在European Radiology杂志上的一篇研究建立了基于放射组学特征的机器学习模型以预测食管鳞状细胞癌（ESCC）患者新辅助化放疗（nCRT）的病理临床反应（pCR）。 

本项研究共招募了112名2008年1月至2018年12月期间接受nCRT后进行手术治疗的ESCC患者。根据pCR状态（原发癌灶无可见癌细胞），将患者分为原发癌灶pCR（ppCR）组（N = 65）和非ppCR组（N = 47）。根据 tpCR 状态（原发癌灶或淋巴结无可见癌细胞），患者进一步被分为完全 pCR（tpCR）组（48人）和非 tpCR 组（64人）。提取治疗前CT图像的放射组学特征进行特征选择，并训练机器学习模型分别预测ppCR和tpCR。 

共研究提取了620个放射组学特征。对于ppCR预测模型，放射组模型在测试集中的曲线下面积（AUC）为0.817（95% CI：0.732-0.896）；而包含放射组学评分和临床特征的组合模型具有很好的预测性能，在测试集中的AUC为0.891（95% CI：0.823-0.950）。在 tpCR 预测模型方面，radomic 模型在测试集中的 AUC 为 0.713（95% CI：0.613-0.808）；组合模型也有很好的预测效果，在测试集中的 AUC 为 0.814（95% CI：0.728-0.881）。 

 图 预测ppCR的最佳性能组合模型。特征（A）、训练集和测试集（B）的 ROC曲线

本项研究表明，本研究建立的机器学习模型可分别预测ESCC患者的ppCR和tpCR，并具有良好的预测性能，可准确预测食管鳞癌患者新辅助化放疗后的治疗反应，并为进一步治疗提供指导。

原文出处：

Jin Wang,Xiang Zhu,Jian Zeng,et al.Using clinical and radiomic feature-based machine learning models to predict pathological complete response in patients with esophageal squamous cell carcinoma receiving neoadjuvant chemoradiation.DOI:10.1007/s00330-023-09884-7

Tags： European Radiology：机器学习模型，实现食管癌患者化疗后病理完全缓解的无创预测！