羅錦文，李新春，劉美玲，鄧義，劉艷麗

結(jié)直腸癌(colorectal cancer,CRC)是消化系統(tǒng)最為常見的惡性腫瘤之一，據(jù)WHO 2018年全球癌癥年報(bào)[1]，CRC在全球新發(fā)癌癥中的發(fā)病率(6.1%)位列第四，全球死亡率(9.2%)位列第二，腫瘤沉積(tumor deposition,TD)又稱為癌周沉積或癌結(jié)節(jié)，是原發(fā)CRC與結(jié)直腸周圍脂肪組織和系膜內(nèi)的不連續(xù)的、不存在淋巴結(jié)構(gòu)但位于淋巴結(jié)引流區(qū)的腫瘤結(jié)節(jié)[2]，已有證據(jù)表明TD與CRC發(fā)生復(fù)發(fā)和轉(zhuǎn)移具有相關(guān)性[3]，過去一直認(rèn)為TD是轉(zhuǎn)移性淋巴結(jié)(metastatic lymph nodes,MLN)，CT檢查是診斷和鑒別TD與MLN的常規(guī)無創(chuàng)性檢查方法，但至目前為止有關(guān)TD的影像學(xué)表現(xiàn)及鑒別診斷的研究很少。

近年來，影像組學(xué)一詞已引起越來越多的關(guān)注，它是通過高通量提取定量特征，將醫(yī)學(xué)圖像轉(zhuǎn)換為高維、可挖掘數(shù)據(jù)的過程，隨后進(jìn)行數(shù)據(jù)分析以提供決策支持，實(shí)現(xiàn)腫瘤分割、特征提取和模型建立，憑借對(duì)海量影像數(shù)據(jù)信息進(jìn)行更深層次的挖掘、預(yù)測(cè)和分析來輔助醫(yī)師做出更準(zhǔn)確的診斷。影像組學(xué)可直觀地理解為將視覺影像信息轉(zhuǎn)化為深層次的特征來進(jìn)行量化研究，它可與傳統(tǒng)影像學(xué)及分子生物學(xué)、分子病理學(xué)和信息科學(xué)相整合，采用大數(shù)據(jù)分析方法，可廣泛應(yīng)用于影像診斷、療效評(píng)估和預(yù)后預(yù)測(cè)等，有望成為精準(zhǔn)影像醫(yī)學(xué)的重要基石。本研究基于CT增強(qiáng)圖像，引入影像組學(xué)的方法，來對(duì)比分析結(jié)直腸癌旁TD和MLN，旨在提高對(duì)CRC的影像診斷和術(shù)前分期準(zhǔn)確性。

材料與方法

1.基本臨床資料

搜集2016年3月-2018年3月本院收治的經(jīng)術(shù)后病理證實(shí)的22例N1c期和23例N1b期CRC(普通型中低分化腺癌)患者的CT圖像及臨床資料。其中，男21例，女24例；年齡32～89歲，中位數(shù)63歲。所有患者有不同程度腹痛或不適、便血或黑便、排便次數(shù)和習(xí)慣的改變、腹部包塊和肛門刺激癥狀。45例中，升結(jié)腸6例，結(jié)腸肝曲1例，橫結(jié)腸2例，結(jié)腸脾曲2例，降結(jié)腸4例，乙狀結(jié)腸12例，直腸18例。全部患者癌胚抗原有不同程度升高(8.90～49.55 ng/mL，本院正常值上限為4.7 ng/mL)。22例N1c期患者共分析了45枚TD灶，23例N1b期患者共分析了45枚MLN。

本研究經(jīng)本院醫(yī)學(xué)倫理委員會(huì)審核通過。所有患者或家屬簽署了CT檢查知情同意書。

2.納入和排除標(biāo)準(zhǔn)

納入標(biāo)準(zhǔn)：①N1c期(病理證實(shí)癌旁均為TD灶)或N1b期(病理證實(shí)癌旁均為MLN)普通型中低分化腺癌患者；②手術(shù)前行全腹部CT平掃和雙期(動(dòng)脈期、靜脈期)增強(qiáng)掃描，且CT檢查與手術(shù)的時(shí)間間隔<1周；③患者術(shù)前未行放化療等治療；④CRC旁有短徑>5 mm的結(jié)節(jié)灶；⑤行腫瘤切除術(shù)及淋巴結(jié)、TD清掃術(shù)并搜集標(biāo)本；⑥術(shù)后CRC、TD和MLN病理學(xué)診斷明確；⑦患者術(shù)前一周內(nèi)進(jìn)行腫瘤5項(xiàng)檢測(cè)(包括CEA、CA199、CA242、AFP、CA125)；⑧臨床資料完整。排除標(biāo)準(zhǔn)：①多發(fā)腫瘤；②未行手術(shù)治療患者；③CRC旁結(jié)節(jié)灶CT無法顯示或短徑<5 mm。④CT圖像顯示不清。

3.CT檢查方法

使用Siemens Perspective 128層64排CT機(jī)行全腹部CT平掃和動(dòng)脈期、靜脈期增強(qiáng)掃描。CT檢查前1周內(nèi)未口服含金屬的藥物且未進(jìn)行消化道鋇餐檢查，檢查前至少禁食6 h，掃描前30 min口服1000～1500 mL溫開水。掃描參數(shù)： CARE Dose 4D自動(dòng)毫安秒技術(shù)，參考管電流300 mA，120 kV，準(zhǔn)直寬度0.6 mm×64，轉(zhuǎn)速0.6 s/r，掃描野350 mm×350 mm，螺距1.2，矩陣512×512，掃描范圍自膈頂至恥骨聯(lián)合下緣10 mm水平。使用Meorao雙筒高壓注射器注入對(duì)比劑碘海醇(300 mg I/mL)，劑量1.2 mL/kg，注射流率3.5 mL/s，動(dòng)、靜脈期延遲時(shí)間分別為25和55 s。

4.圖像分析

采用層厚1.2 mm、層間距1.0 mm將原始掃描數(shù)據(jù)進(jìn)行重建，并在后處理工作站上以Dicom格式及Bmp格式導(dǎo)出圖像，導(dǎo)出圖像前將所有圖像設(shè)置為統(tǒng)一的窗寬(400 HU)、窗位(40 HU)和像素矩陣1440×1121。分別由2位具有10年消化道腫瘤CT診斷經(jīng)驗(yàn)的副主任醫(yī)師對(duì)圖像進(jìn)行分析，意見有分歧時(shí)通過協(xié)商達(dá)成一致。本研究中選擇在腹部CT增強(qiáng)靜脈期圖像(因此期圖像上CRC原發(fā)灶及癌旁結(jié)節(jié)顯示較為清晰)來勾畫ROI并提取紋理特征。為更全面地提取紋理特征，避免選擇非病灶區(qū)信息，每例患者選擇CRC旁短徑>5 mm的結(jié)節(jié)灶進(jìn)行分析。

使用免費(fèi)紋理分析軟件MaZda version 4.6(Technical University of Lodz，Institute of Electro-nics，http://www.eletel.p.lodz.pl/mazda/)進(jìn)行圖像紋理分析[4]。為減少CT圖像亮度和對(duì)比度的影響，提取特征前對(duì)所有CT圖像進(jìn)行灰度標(biāo)準(zhǔn)化，控制灰度值的上下限分別為(μ-3δ)和(μ+3δ)，其中μ和δ分別表示灰度值的平均值和標(biāo)準(zhǔn)差。由同一位醫(yī)師在CT靜脈期增強(qiáng)圖像上選取CRC旁短徑>5 mm的結(jié)節(jié)灶，逐層手動(dòng)勾畫ROI，同時(shí)避開血管、壞死和腸腔氣體、鈣化，ROI邊緣距離病灶邊緣2 mm，保存為3D data*.bmf 文件；通過MaZda軟件中的三維感興趣區(qū)編輯器(3D ROI editor)分別導(dǎo)入上述3D data*.bmf文件，編輯器可以變形，表面網(wǎng)可以自動(dòng)探測(cè)病變的邊界，通過MaZda軟件RUN功能鍵，每個(gè)選定的3D ROI可提取出3D直方圖、3D灰度共生矩陣(gray le-vel co-occurrence matrix，GLCM)、3D灰度游程矩陣(gray run-length matrix，GRLM)、3D絕對(duì)梯度(absolute gradient，GRA)、自回歸模型(auto-regressive model，ARM)及小波分析這六大類共794個(gè)紋理特征值(表1)[5-6]。

表1 Mazda軟件提取的紋理特征

Mazda軟件提供3種紋理特征的選擇方法[5-6]，分別是Fisher系數(shù)、分類錯(cuò)誤概率聯(lián)合平均相關(guān)系數(shù)(classification error probability combined average correlation coefficients，POE+AC)和交互信息(mutual information，MI)，每種方法選擇出10個(gè)最有鑒別價(jià)值的紋理特征參數(shù)；還可以聯(lián)合使用上述3種方法 (FPM)，共選擇30個(gè)最優(yōu)紋理特征參數(shù)。本研究中分別采用Fisher、MI、POE+ACC和FPM共4種方法來篩選最具鑒別價(jià)值的紋理特征參數(shù)。

5.建立4種主流機(jī)器學(xué)習(xí)模型

對(duì)90個(gè)病灶(TD和MLN各45個(gè))進(jìn)行4種機(jī)器學(xué)習(xí)模型分類。對(duì)經(jīng)過FPM法篩選后的30個(gè)最優(yōu)紋理特征，再使用主成分分析(principal component analysis，PCA)法進(jìn)行特征的抽取來再次降維。將樣本隨機(jī)分為訓(xùn)練集和驗(yàn)證集，對(duì)降維后的特征使用Python書寫代碼編寫程序，本實(shí)驗(yàn)主要用的是python的一些數(shù)據(jù)分析和機(jī)器學(xué)習(xí)的庫(kù)，主要有Numpy、Pandas和Sklearn。Numpy和Pandas主要是用于數(shù)據(jù)處理；Scikit-learn是一個(gè)基于SciPy和Numpy的開源機(jī)器學(xué)習(xí)模塊，包括分類、回歸、聚類系列算法，主要算法有隨機(jī)森林法，決策樹、樸素貝葉斯和邏輯回歸法等，實(shí)驗(yàn)過程主要分為以下幾個(gè)方面。①數(shù)據(jù)抽樣：使用train_test_split函數(shù)，從原始樣本中隨機(jī)選取70%的樣本作為訓(xùn)練集，30%的樣本作為驗(yàn)證集。②數(shù)據(jù)標(biāo)準(zhǔn)化：對(duì)原始樣本進(jìn)行標(biāo)準(zhǔn)化，主要用于消除量綱的影響。在機(jī)器學(xué)習(xí)領(lǐng)域，不同評(píng)價(jià)指標(biāo)(即特征向量中的不同特征就是所述的不同評(píng)價(jià)指標(biāo))往往具有不同的量綱和量綱單位，這樣的情況會(huì)影響到數(shù)據(jù)分析的結(jié)果，為了消除指標(biāo)之間的量綱影響，需要進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，以解決數(shù)據(jù)指標(biāo)之間的可比性。本文采用Z-Score規(guī)范化數(shù)據(jù)，保證每個(gè)特征維度的數(shù)據(jù)均值為0、方差為1。③模型訓(xùn)練和預(yù)測(cè)：利用Sklearn庫(kù)中的機(jī)器學(xué)習(xí)算法對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，比如隨機(jī)森林算法就從sklearn.ensemble庫(kù)中引入隨機(jī)森林算法包Random Forest Regressor，然后采用fit函數(shù)對(duì)訓(xùn)練集進(jìn)行訓(xùn)練。最后采用predict函數(shù)對(duì)驗(yàn)證集進(jìn)行驗(yàn)證，輸出驗(yàn)證數(shù)據(jù)的分類情況。④模型評(píng)價(jià)：最后，對(duì)模型驗(yàn)證集的診斷結(jié)果進(jìn)行評(píng)價(jià)，評(píng)價(jià)指標(biāo)包括符合率、召回率、F1分?jǐn)?shù)(F1-score)和ROC曲線下面積(AUC)。

6.病理學(xué)診斷

患者均行腫瘤根治術(shù)及淋巴結(jié)、TD清掃術(shù)。有明確的病理學(xué)診斷，包括腫瘤分期[參考美國(guó)癌癥聯(lián)合會(huì)(American Joint Committee on Cancer，AJCC)第八版結(jié)直腸癌TNM分期系統(tǒng)[7-8]]、MLN數(shù)目及最大病灶的大小、TD的數(shù)量及最大病灶的大小、神經(jīng)和血管侵犯情況及腫瘤的免疫組化檢測(cè)結(jié)果。鑒別MLN與TD選取原發(fā)腫瘤周圍5cm內(nèi)的病灶。

結(jié) 果

1.紋理參數(shù)的提取和比較

在TD組和MLN組CT靜脈期圖像上使用MaZda軟件提取病灶的紋理參數(shù)，并生成紋理特征圖(圖1～2)。對(duì)30個(gè)最優(yōu)紋理參數(shù)的測(cè)量值在兩組間的差異進(jìn)行比較，結(jié)果顯示：S(0,1,1)熵(7.29±0.21 vs. 7.03±0.29)、3D 90%灰度百分位(155.13±9.406 vs. 124.11±15.311)、3D 1%灰度百分位(144.58±14.193 vs. 129.33±7.167)和45°長(zhǎng)游程補(bǔ)償(1.365±0.076 vs. 1.285±0.081)四項(xiàng)紋理參數(shù)的測(cè)量值在兩組間的差異有統(tǒng)計(jì)學(xué)意義(P<0.05)。

2.四種主流機(jī)器學(xué)習(xí)分類模型建立

針對(duì)FPM選擇的30個(gè)最優(yōu)紋理參數(shù)特征，利用python進(jìn)行主成分分析進(jìn)一步降維，降維之后剩余9個(gè)主成分，這9個(gè)主成分的累計(jì)百分比達(dá)86.6%，即這9個(gè)主成分能涵蓋30個(gè)最優(yōu)紋理特征的86.6%的信息。最終將這9個(gè)主成分用于后續(xù)的機(jī)器學(xué)習(xí)算法的實(shí)驗(yàn)中。

將入組樣本隨機(jī)按照7∶3的比例分為訓(xùn)練集和驗(yàn)證集(用于對(duì)模型的準(zhǔn)確性進(jìn)行驗(yàn)證)，使用降維后的特征建立的4種機(jī)器學(xué)習(xí)模型在驗(yàn)證集中的診斷效能指標(biāo)見表2。其中，樸素貝葉斯、決策樹、隨機(jī)森林的符合率均為100%。4種機(jī)器學(xué)習(xí)模型的ROC曲線見圖2，以樸素貝葉斯算法的AUC最大(0.94)，對(duì)鑒別TD和MLN的診斷符合率達(dá)100%，召回率為64.71%，F(xiàn)1-score為0.7857，模型的判別效果最佳。

表2 四種機(jī)器學(xué)習(xí)算法在驗(yàn)證集中的診斷效能指標(biāo)

討 論

TD又稱為腸系膜瘤結(jié)節(jié)、直腸系膜轉(zhuǎn)移、微轉(zhuǎn)移和跳躍性癌浸潤(rùn)等。第五版和第六版的AJCC及國(guó)際抗癌聯(lián)盟(Union for International Cancer Control,UICC)聯(lián)合發(fā)布的CRC臨床分期指南中，僅根據(jù)TD灶的形態(tài)學(xué)及大小標(biāo)準(zhǔn)進(jìn)行分類，根據(jù)其規(guī)則或不規(guī)則形狀和直徑3 mm為界值將其歸類為淋巴結(jié)或MLN，但并未將此指標(biāo)納入分期中[9]。第7版UICC/AJCC TNM分期系統(tǒng)首次將TD納入了N分期[10]。2018年全球啟用的最新的AJCC第八版結(jié)直腸腫瘤TNM分期系統(tǒng)中重申了TD的定義，并將腸腫瘤周圍無MLN而有TD的CRC被劃分為N1c，包括漿膜下、直腸周圍、無腹膜覆蓋的結(jié)腸周圍、腸系膜組織中病理上無淋巴結(jié)結(jié)構(gòu)的腫瘤種植灶[7-8]。

Xu等[11]指出，在CRC伴肝轉(zhuǎn)移行原發(fā)灶和轉(zhuǎn)移灶完全切除的患者中伴有TD者的總生存率和無瘤生存率要明顯低于無TD患者，作者認(rèn)為TD可能是一個(gè)獨(dú)立的預(yù)后影響因素。 Ueno等[12]回顧性的分析了695例CRC患者后發(fā)現(xiàn)，TD與預(yù)后有顯著的相關(guān)性(P<0.0001)，而且不依賴于T分期和N分期。CRC旁TD形態(tài)上與MLN相似。過去大多數(shù)學(xué)者往往對(duì)兩者混淆，隨著對(duì)CRC旁TD認(rèn)識(shí)的逐步提高，臨床研究人員才發(fā)現(xiàn)其是有別于MLN的另一個(gè)概念，需要獨(dú)立研究[13]，而且MLN與TD的預(yù)后與治療明顯不同，精準(zhǔn)的TNM分期診斷正在為個(gè)體化精準(zhǔn)化的臨床診療工作提供更為科學(xué)的依據(jù)。目前對(duì)TD的認(rèn)識(shí)仍未有權(quán)威的指南及共識(shí)[2]，許多問題值得我們?nèi)パ芯亢吞剿?，目前?duì)患者的預(yù)后無法準(zhǔn)確評(píng)估，主要存在的爭(zhēng)論問題：TD形成的機(jī)制，什么是真正的TD，TD的分期方法，TD數(shù)目與預(yù)后的關(guān)系，N1c期患者的預(yù)后評(píng)價(jià)。導(dǎo)致爭(zhēng)議存在的主要原因可能是無法分辨哪些是真正的TD，哪些是MLN，哪些是被癌細(xì)胞完全代替的淋巴結(jié)[2]。術(shù)前對(duì)TD的準(zhǔn)確判斷對(duì)選擇治療方案及判斷預(yù)后具有非常重要的意義[14]。

影像組學(xué)應(yīng)用大量的自動(dòng)化數(shù)據(jù)持征化法將感興趣區(qū)域的影像數(shù)據(jù)轉(zhuǎn)化為具有高分辨率的可發(fā)的特征空間數(shù)據(jù)。數(shù)據(jù)分析是對(duì)大量的影像數(shù)據(jù)進(jìn)行數(shù)字化的定量高通量分析，得到高保真的目標(biāo)信息來綜合評(píng)價(jià)腫瘤的各種表型，包括組織形態(tài)、細(xì)胞分子、基因遺傳等各個(gè)層次。其核心理論基礎(chǔ)是放射組學(xué)模型包含有病灶的生物學(xué)或醫(yī)學(xué)數(shù)據(jù)信息，借此能為疾病的診斷、預(yù)后及預(yù)測(cè)提供有價(jià)值的信息。不同患者的腫瘤之間、同一患者的不同腫瘤組織之間或同一腫瘤內(nèi)部都存在基因異質(zhì)性，目基因狀態(tài)也會(huì)因時(shí)而異。

CRC旁TD和MLN的術(shù)前診斷及預(yù)后判斷是治療決策的重要依據(jù)，術(shù)后病理學(xué)檢查是診斷金標(biāo)準(zhǔn)，目前仍沒有可靠的術(shù)前臨床評(píng)價(jià)手段及影像學(xué)方法，現(xiàn)有研究證實(shí)影像組學(xué)可以改善這一現(xiàn)狀。目前，國(guó)內(nèi)外學(xué)者對(duì)結(jié)直腸腫瘤的研究主要集中在紋理特征的提取、腫瘤與非腫瘤性病變的鑒別、結(jié)直腸癌術(shù)前分期和淋巴轉(zhuǎn)移的評(píng)估等方面，有關(guān)TD與MLN影像組學(xué)研究尚未見報(bào)道。

本研究中對(duì)90枚病灶進(jìn)行了分析和觀察，其中TD 45枚，MLN 45枚，屬于小樣本數(shù)據(jù)，30個(gè)優(yōu)選特征亦會(huì)出現(xiàn)過擬合，需要進(jìn)行降維，去除數(shù)據(jù)冗余(線性相關(guān))，提高魯棒性。本研究采用的降維方法為PCA，降維之后剩余9個(gè)主成分。這9個(gè)主成分能涵蓋86.6%的30個(gè)最優(yōu)紋理指標(biāo)的信息，提示選取這9個(gè)主成分進(jìn)行后續(xù)的研究，信息量足夠。因此本研究中僅選取這9個(gè)主成分進(jìn)行后續(xù)的機(jī)器學(xué)習(xí)算法的實(shí)驗(yàn)。

將樣本隨機(jī)分為訓(xùn)練集和測(cè)試集，根據(jù)降維之后的數(shù)據(jù)使用Python編輯程式進(jìn)行4種機(jī)器學(xué)習(xí)模型的構(gòu)建并計(jì)算其診斷符合率。本研究中采用的4種機(jī)器學(xué)習(xí)模型為隨機(jī)森林法、決策樹、樸素貝葉斯和邏輯回歸法。70%的樣本做訓(xùn)練集訓(xùn)練機(jī)器學(xué)習(xí)模型，30%的樣本作為測(cè)試集，對(duì)模型的準(zhǔn)確性進(jìn)行驗(yàn)證，并獲得了ROC曲線和AUC。本研究結(jié)果顯示在驗(yàn)證集中，樸素貝葉斯、決策樹和隨機(jī)森林法鑒別TD和MLN的符合率均為100%；4種機(jī)器學(xué)習(xí)模型的ROC曲線下面積為 0.71～0.94，其中以樸素貝葉斯算法的AUC最大(為0.94)，其診斷符合率達(dá)100%，召回率為64.71%，F(xiàn)1-score為0.7857，高于其它3種模型的診斷效能，提示貝葉斯算法較其它模型具有更為優(yōu)秀的分類能力。

對(duì)于貝葉斯分類算法，芝加哥大學(xué)的 Zellner 教授曾說過：“貝葉斯分析是科學(xué)地根據(jù)數(shù)據(jù)及經(jīng)驗(yàn)進(jìn)行學(xué)習(xí)的方法”[15]。貝葉斯算法模型將概率統(tǒng)計(jì)的知識(shí)和圖模型相結(jié)合，可以對(duì)問題進(jìn)行定量和定性分析，在不確定性問題的處理上更具優(yōu)勢(shì)。貝葉斯網(wǎng)絡(luò)因其簡(jiǎn)單性、高效性以及概率表達(dá)能力強(qiáng)等特點(diǎn)，成為數(shù)據(jù)挖掘領(lǐng)域中最經(jīng)典方法之一[15-16]。盡管貝葉斯方法與經(jīng)典統(tǒng)計(jì)方法有很大的不同，但在大樣本條件下，由這兩種方法估計(jì)出的參數(shù)是一致的[17]。而在小樣本的情況下，貝葉斯方法可充分利用各種信息，結(jié)果更為可靠。貝葉斯方法的特點(diǎn)是能充分利用現(xiàn)有信息，如總體信息、經(jīng)驗(yàn)信息和樣本信息等，將統(tǒng)計(jì)推斷建立在后驗(yàn)分布的基礎(chǔ)上。這樣不但可以減少因樣本量小而帶來的統(tǒng)計(jì)誤差，而且在沒有數(shù)據(jù)樣本的情況下也可以進(jìn)行推斷[18]。 基于CT影像組學(xué)技術(shù)，不僅規(guī)避了觀察者本身對(duì)于影像特征解讀的主觀偏向，還能深度挖掘并整合CT圖像中大量的人眼無法識(shí)識(shí)別和區(qū)分的數(shù)字化信息，從而提高術(shù)前對(duì)CRC旁TD與MLN的鑒別診斷效能。

本研究存在以下不足：①本研究為回顧性研究，納入N1c及N1b期病人樣本量小.因?yàn)檫x擇的均為N1c期患者，不能顯示TD的所有影像學(xué)特征，后續(xù)我們會(huì)收集更多的病例，擴(kuò)大樣本量并進(jìn)行前瞻性研究，進(jìn)一步驗(yàn)證CT紋理分析的應(yīng)用價(jià)值[19]。②入組的均為短徑>5 mm結(jié)節(jié)，可能會(huì)漏診<5 mm的病灶。既往有病理學(xué)檢查結(jié)果顯示，即使淋巴結(jié)直徑<2 mm仍存在轉(zhuǎn)移風(fēng)險(xiǎn)[20]。③ROI的選擇具有主觀性，研究人員操作TA軟件熟練程度、對(duì)病灶大小評(píng)估、勾畫病灶的準(zhǔn)確性等等均受到主觀因素的影響，難免會(huì)出現(xiàn)選擇性偏移，目前還欠缺對(duì)CT TA的可重復(fù)研究。④本研究中對(duì)基于紋理分析的機(jī)器學(xué)習(xí)模型在鑒別TD與MLN中的診斷效能進(jìn)行分析，但是單純分析紋理參數(shù)并不能完全反映兩類腫瘤的差異，后續(xù)我們將選取更多可能影響腫瘤異質(zhì)性的因素，進(jìn)行多參數(shù)聯(lián)合分析的機(jī)器學(xué)習(xí)，進(jìn)一步提高術(shù)前CT檢查在鑒別CRC旁不同結(jié)節(jié)灶中的準(zhǔn)確性。⑤本研究中僅選取靜脈期增強(qiáng)圖像進(jìn)行分析，未采用全部序列的CT圖像進(jìn)行分析和對(duì)比，有待今后進(jìn)一步完善。