当前位置：首页>武汉>IF10.1!!! 武汉华中理工大学六图四表发一区期刊!!!

IF10.1!!! 武汉华中理工大学六图四表发一区期刊!!!

2026-10-21 11:41:05

研究亮点

创新整合多维度数据：首次将胰管腺癌（PDAC）的瘤内 / 瘤周放射组学特征与 CT 定量体成分结合，突破了单一临床或影像指标的局限，为术后早期复发（ER）预测提供更全面的量化依据。
模型性能优异且稳定：基于随机森林算法的瘤内 - 瘤周放射组学模型在三队列中 AUC 达 0.839-0.865，整合临床病理因素后 AUC 进一步提升至 0.884-0.936，泛化能力强。
解决 “黑箱” 痛点：引入 SHAP 方法实现模型可解释性，明确了放射组学特征、CA199 等核心变量的预测贡献，提升了临床可信度与应用潜力。
临床转化价值高：模型基于常规 CT 与临床数据构建，适配临床实际场景，可为 PDAC 术后高危患者的个性化管理提供实用工具。

引言

PDAC 恶性程度高、预后差，根治术后早期复发率高（50%），亟需可靠预测系统。CT 是其诊疗首选影像手段，放射组学具显著预测价值，体成分与预后密切相关，但目前尚无研究整合瘤内、瘤周影像特征与 CT 定量体成分评估 PDAC 预后。本研究拟整合上述指标构建机器学习模型，结合 SHAP 方法提升可解释性，预测 PDAC 患者根治术后早期复发风险，助力个性化治疗。

（如果你也想借助机器学习＋SHAP开展生信分析，欢迎关注“生信源创”，联系助手咨询详情——助你的科研梦想落地！）

文献解读

中文题目：用于预测胰腺癌早期复发的可解释机器学习模型：将肿瘤内和肿瘤周围放射学与体成分整合

发表期刊：International Journal of Surgery

发表时间：2025年11月

影响因子：10.1/Q1

研究背景

胰管腺癌（PDAC）根治切除术后早期复发率高，严重影响患者长期生存，目前缺乏可靠的预测体系。本研究拟结合瘤内、瘤周影像学特征及体成分，构建机器学习模型以预测患者术后早期复发风险。

研究方法

2014 年 6 月至 2023 年 12 月纳入四家医院 PDAC 术后患者，收集临床、CT 影像及病理数据，提取体成分与瘤内、瘤周放射组学特征；采用 6 种机器学习算法构建多类型预测模型，结合 SHAP 实现模型解释。

生信分析专属定制

找生信源创

研究结果

1 临床病理学特征

临床、CT 体成分及术后数据见表。三组队列（训练 320 例、内部验证 138 例、外部验证 131 例）基线均衡，仅外部验证组 < 0.001），ER 发生率 45.04%-50.0%（P=0.712）。单变量分析示 14 项指标与 ER 相关，多变量确定 9 项独立风险 < 0.05）。

2 功能选择与无线电麦克风签名建筑

978 个瘤内 / 瘤周放射组学特征重复性良好（ICC>0.75），经 mRMR 与 LASSO 筛选后保留 9/11/13 个特征，构建三类模型（6 种 ML 算法），相关过程及系数见图。

3模型性能比较

瘤内 - 瘤周联合放射组学模型（RF 算法）表现最优，三队列 AUC 0.839-0.865，交叉验证平均 AUC 0.870±0.030。整合临床 / 临床病理数据后模型性能进一步提升（AUC 0.859-0.936），经 DeLong 测试、校准及决策曲线分析证实其辨别力、稳健性及净效益均优于单一模型。

4 模型可解释性

SHAP 分析显示，合并模型中放射组学特征贡献最大（平均 SHAP 值 0.25），其值升高与 ER 风险正相关。缺乏辅助治疗、CA199/CA125 等指标升高、肿瘤体积大、TNM≥IIA 期及 LVI 阳性均增加 ER 风险；放射组学特征、辅助治疗与 VFI 存在交互作用，相关高值且未接受辅助治疗患者复发风险更高。

局部解读显示：1 例未发生 ER 患者被模型归为 “非 ER” 类（预测概率 18.0%＜基线 50.1%），放射组学特征、辅助治疗、低 CA199/CA125、TNM≤IIA 期及小肿瘤体积为主要贡献因素，LVI、高 PLR/VFI/VSR 无显著影响；1 例发生 ER 患者被归为 “ER” 类（预测概率 99.9%＞基线）。力图以红色占比直观呈现个体 ER 预测概率，红色占比越高则风险越高。