修回日期: 2026-06-13
接受日期: 2026-07-23
在线出版日期: 2026-08-28
早期识别结直肠癌肝转移高危因素、构建个体化预测模型利于精准临床干预. 现有评估手段临床主要依据美国癌症联合委员会TNM分期系统(American Joint Committee on Cancer-TNM, AJCC-TNM)分期、肿瘤标志物与常规影像, 但TNM仅体现肿瘤解剖进展, 癌胚抗原等标志物灵敏度、特异度不足. 融合影像定量参数与血清指标构建模型, 有望提升肝转移风险评估准确度.
探讨基于3.0T磁共振成像(magnetic resonance imaging, MRI)多模态成像参数及血清癌胚抗原(carcinoembryonic antigen, CEA)水平构建列线图模型预测结直肠癌术后1年内肝转移风险的临床价值.
选取2021-03-01/2024-02-28于台州医院接受手术治疗的120例结直肠癌患者为研究对象, 根据术后随访结果分为肝转移组35例和未转移组85例. 比较两组患者临床病理特征、术后CEA水平及3.0T MRI多模态成像参数, 包括表观扩散系数(apparent diffusion coefficient, ADC)、血管通透性常数(volume transfer constant, Ktrans)、血管外细胞外间隙容积比(extravascular extracellular volume fraction, Ve)及速率常数(rate constant, Kep). 采用单因素分析及LASSO回归筛选结直肠癌术后肝转移相关预测因子, 并进一步通过多因素Logistic回归分析确定独立影响因素. 基于独立影响因素构建列线图预测模型, 采用受试者工作特征曲线(receiver operating characteristic, ROC)、校准曲线及决策曲线分析(decision curve analysis, DCA)评价模型的区分度、校准度及临床净获益.
肝转移组ADC值低于未转移组, Ktrans、Kep值高于未转移组, 差异均有统计学意义(P<0.05). ADC、Ktrans、Kep联合CEA预测结直肠癌术后肝转移的曲线下面积(area under the curve, AUC)为0.886, 敏感度为90.01%, 特异度为78.09%. 多因素Logistic回归分析显示, 梗阻、低分化、临床分期Ⅲ-Ⅳ期、淋巴结转移、CEA≥5.0 μg/L、Ktrans升高及Kep升高均为结直肠癌术后肝转移的危险因素, ADC升高为保护因素(P<0.05). 基于上述因素构建的列线图模型预测结直肠癌术后肝转移的AUC为0.966, 提示模型具有较好的区分能力. 校准曲线显示模型预测风险与实际观察结果一致性较好; DCA结果显示, 在一定阈值概率范围内, 列线图模型较单独应用影像参数及CEA指标可获得更高的临床净获益.
结直肠癌术后1年内肝转移的发生与梗阻、分化程度、临床分期、淋巴结转移、术后CEA水平及ADC、Ktrans、Kep等MRI多模态成像参数密切相关. 基于3.0T MRI多模态成像参数联合CEA构建的列线图模型对结直肠癌术后1年内肝转移风险具有较高预测价值, 可为临床早期识别高危患者、制定个体化随访及干预策略提供参考. 但由于本研究随访时间较短, 模型对远期复发转移风险的预测价值仍需进一步延长随访并开展外部验证.
核心提要: 本研究拟分析动态增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI)、扩散加权成像(diffusion-weighted imaging, DWI)定量参数及癌胚抗原(carcinoembryonic antigen, CEA)水平与结直肠癌肝转移风险的关系, 筛选肝转移的独立影响因素, 并构建基于DCE-MRI、DWI定量参数联合CEA的列线图预测模型, 以期为结直肠癌肝转移的早期风险分层和个体化治疗决策提供参考依据.
引文著录: 谢小龙, 郑永华, 虞哲科. 含DCE-MRI、DWI定量参数联合CEA对结直肠癌术后1年内肝转移风险的列线图分析. 世界华人消化杂志 2026; 34(8): 665-674
Revised: June 13, 2026
Accepted: July 23, 2026
Published online: August 28, 2026
Early identification of high-risk factors for liver metastasis and construction of an individualized prediction model facilitate precise clinical intervention. Current evaluation approaches rely mainly on the American Joint Committee on Cancer-TNM (AJCC-TNM) staging system, tumor markers, and conventional imaging. However, AJCC-TNM staging reflects only anatomical tumor progression, while markers such as carcinoembryonic antigen (CEA) have insufficient sensitivity and specificity. Establishing a model integrating quantitative imaging parameters with serological indicators is expected to improve the accuracy of liver metastasis risk assessment.
To investigate the clinical value of a nomogram model incorporating 3.0T magnetic resonance imaging (MRI) multimodal imaging parameters and serum CEA level for predicting postoperative liver metastasis risk in patients with colorectal cancer.
A total of 120 patients with colorectal cancer who underwent surgical treatment in our hospital from March 1, 2021 to February 28, 2024 were selected as the study subjects. According to postoperative follow-up results, the patients were divided into a liver metastasis group (n = 35) and a non-metastasis group (n = 85). The clinicopathological characteristics, postoperative CEA level, and 3.0T MRI multimodal imaging parameters-including apparent diffusion coefficient (ADC), volume transfer constant (Ktrans), extravascular extracellular volume fraction (Ve), and rate constant (Kep)-were compared between the two groups. Univariate analysis and LASSO regression were used to screen predictive factors associated with postoperative liver metastasis in colorectal cancer, and multivariate Logistic regression analysis was further performed to identify independent influencing factors. A nomogram prediction model was constructed based on the independent influencing factors. Receiver operating characteristic curve, calibration curve, and decision curve analysis (DCA) were used to evaluate the discrimination, calibration, and clinical net benefit of the model.
The ADC value in the liver metastasis group was significantly lower than that in the non-metastasis group, while Ktrans and Kep values were significantly higher than those in the non-metastasis group (P < 0.05). The combined prediction model of ADC, Ktrans, Kep, and CEA showed an area under the curve (AUC) of 0.886 for predicting postoperative liver metastasis in colorectal cancer, with a sensitivity of 90.01% and specificity of 78.09%. Multivariate Logistic regression analysis showed that obstruction, poor differentiation, clinical stage III-IV, lymph node metastasis, CEA ≥ 5.0 μg/L, increased Ktrans, and increased Kep were risk factors for postoperative liver metastasis in colorectal cancer, whereas increased ADC was a protective factor (P < 0.05). The nomogram model constructed based on the above factors had an AUC of 0.966 for predicting postoperative liver metastasis in colorectal cancer, indicating good discriminatory ability. The calibration curve showed good agreement between the predicted risk and the actual observed results. DCA showed that, within a certain threshold probability range, the nomogram model achieved a higher clinical net benefit than the use of imaging parameters or CEA alone.
Postoperative liver metastasis in colorectal cancer is closely associated with obstruction, degree of differentiation, clinical stage, lymph node metastasis, postoperative CEA level, and MRI multimodal imaging parameters including ADC, Ktrans, and Kep. The nomogram model based on 3.0T MRI multimodal imaging parameters combined with CEA has high predictive value for the risk of postoperative liver metastasis in colorectal cancer, and may provide a reference for early identification of high-risk patients and the formulation of individualized follow-up and intervention strategies.
- Citation: Xie XL, Zheng YH, Yu ZK. A nomogram integrating DCE-MRI, DWI quantitative parameters, and CEA for predicting liver metastasis risk in colorectal cancer. Shijie Huaren Xiaohua Zazhi 2026; 34(8): 665-674
- URL: https://www.wjgnet.com/1009-3079/full/v34/i8/665.htm
- DOI: https://dx.doi.org/10.11569/wcjd.v34.i8.665
核心提要: 本研究拟分析动态增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI)、扩散加权成像(diffusion-weighted imaging, DWI)定量参数及癌胚抗原(carcinoembryonic antigen, CEA)水平与结直肠癌肝转移风险的关系, 筛选肝转移的独立影响因素, 并构建基于DCE-MRI、DWI定量参数联合CEA的列线图预测模型, 以期为结直肠癌肝转移的早期风险分层和个体化治疗决策提供参考依据.
结直肠癌是临床常见的消化道恶性肿瘤[1], 肝脏是其最常见的远处转移部位之一. 肝转移的发生不仅影响患者治疗方案的选择, 也直接关系到预后及生存质量. 因此, 早期识别结直肠癌患者发生肝转移的高危因素, 并建立个体化风险预测模型, 对临床制定精准干预策略具有重要意义. 目前, 临床主要依据美国癌症联合委员会TNM分期系统(American Joint Committee on Cancer-TNM, AJCC-TNM)、血清肿瘤标志物及常规影像学检查评估结直肠癌肝转移风险[2]. 然而, AJCC-TNM分期主要反映肿瘤解剖学进展程度, 难以全面体现肿瘤微循环灌注、细胞密度及生物学侵袭性等特征; 单一血清肿瘤标志物如癌胚抗原(carcinoembryonic antigen, CEA)虽具有一定提示价值, 但其敏感性和特异性仍存在局限. 因此, 联合影像定量参数与血清学指标建立预测模型, 可能有助于提高肝转移风险评估的准确性.
动态增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI)可通过定量分析肿瘤组织血流灌注及血管通透性变化, 反映肿瘤新生血管形成及微环境特征; 扩散加权成像(diffusion-weighted imaging, DWI)及其表观扩散系数(apparent diffusion coefficient, ADC)可反映组织内水分子扩散受限程度, 间接评价肿瘤细胞密度和组织结构改变. DCE-MRI与DWI定量参数从血流灌注和细胞扩散两个层面揭示肿瘤生物学行为, 与结直肠癌侵袭、转移风险密切相关[3,4]. 列线图模型可整合多种临床、实验室及影像学危险因素, 直观评估个体发生特定结局事件的概率, 具有较好的临床应用价值. 基于此, 本研究拟分析DCE-MRI、DWI定量参数及CEA水平与结直肠癌肝转移风险的关系, 筛选肝转移的独立影响因素, 并构建基于DCE-MRI、DWI定量参数联合CEA的列线图预测模型[5,6], 以期为结直肠癌肝转移的早期风险分层和个体化治疗决策提供参考依据.
选取2021-03-01/2024-02-28于台州医院接受手术治疗的120例结直肠癌患者为研究对象, 其中男性72例、女性48例, 年龄51-66(61.7±5.9)岁, 身体质量指数(body mass index, BMI)20-27(23.9±1.6) kg/m2; 分化程度: 低分化21例、中高分化99例. 本研究纳入标准为: 符合结直肠癌诊断标准, 并经术后病理学检查确诊; 术前未接受新辅助放化疗、靶向治疗或免疫治疗; 术后肝功能储备良好, 肝脏解剖结构及功能基本正常; 原发病灶及肝转移灶经评估具备完整切除条件; 患者意识清楚、认知功能正常, 能够配合相关检查及随访. 排除标准为: 合并严重心、肺、肾等重要脏器功能障碍者; 合并感染性疾病者; 合并其他部位恶性肿瘤者; 术后1 mo内因手术相关并发症死亡者; 肝脏病灶经术后病理检查证实为良性病变者. 术后依据《中国结直肠癌肝转移诊断和综合治疗指南(2020)》[7]判断患者是否发生肝转移, 并根据结果分为肝转移组35例和未转移组85例. 本研究经医院伦理委员会审核批准, 所有患者或其家属均签署书面知情同意书.
1.2.1 肝转移判定与随访调查: 所有研究对象均接受规范化诊疗及随访管理. 治疗前均完成影像学检查及血清学指标检测, 以评估原发病灶情况及肝脏转移风险. 患者治疗后定期随访, 随访频率为每3 mo 1次, 随访内容包括病史询问、体格检查、CEA检测、腹部超声、增强计算机断层扫描(computed tomography, CT)或磁共振成像(magnetic resonance imaging, MRI)检查等. 对于影像学提示肝脏可疑转移灶者, 进一步结合增强MRI、CT、PET-CT或术后病理结果进行确认. 根据随访及检查结果判断患者是否发生肝转移, 并据此分为肝转移组和未转移组. 肝转移的判定主要依据《中国结直肠癌肝转移诊断和综合治疗指南》相关标准, 表现为肝脏出现符合转移瘤影像学特征的新发病灶, 或经手术、穿刺活检等病理学检查证实为结直肠癌肝转移.
1.2.2 临床资料收集: 通过查阅电子病历系统收集患者一般资料、临床病理资料及实验室检查结果, 包括性别、年龄、BMI、肿瘤部位、肿瘤最大径、组织学类型、分化程度、浸润深度、临床分期、淋巴结转移情况、是否合并肠梗阻、治疗方式、术后辅助治疗情况及血清CEA水平等. CEA水平采用罗氏Cobas e601电化学发光分析仪检测, 采集患者治疗前或首次入院常规检查时的外周静脉血样本进行分析. 根据临床常用参考范围, 将CEA水平分为<5.0 μg/L和≥5.0 μg/L, 用于后续单因素分析及列线图模型构建.
1.2.3 DCE-MRI及DWI定量参数检查: 所有患者于治疗前接受3.0T MRI检查, 设备采用Siemens Magnetom Verio 3.0T磁共振扫描仪. 扫描前嘱患者排空肠道及膀胱, 取仰卧位进行检查. 常规MRI序列包括轴位T1加权成像、矢状位T2加权成像及冠状位脂肪抑制T2加权成像, 用于观察原发肿瘤位置、形态、浸润范围及周围组织受累情况.
DWI采用单次激发平面回波序列, 主要扫描参数如下: 重复时间7200 ms, 回波时间88 ms, 层厚4 mm, 层间距6 mm, 视野340 mm, 矩阵192×192, b值取0和800 s/mm². 扫描完成后自动生成ADC图. 由影像医师结合常规MRI及DWI图像确定病灶实性区域, 避开坏死、囊变、出血及明显伪影区域, 选取3个感兴趣区(region of interest, ROI), 测量ADC值并取平均值作为最终结果.
DCE-MRI采用T1容积内插屏气检查序列进行扫描. 增强前先采集不同翻转角序列以计算原始T1值, 随后经肘静脉以2.0 mL/s速率注射钆喷酸葡胺, 剂量为0.1 mmol/kg, 并以相同速率注入20 mL生理盐水冲管. 增强扫描连续采集多期动态图像, 每期采集时间约9-10 s. 扫描结束后, 将图像传输至Siemens 3.0T MRI工作站, 并采用4D tissue软件进行后处理分析. 选取病灶强化最明显的实性区域作为ROI, 避开坏死、出血及大血管区域, 分别测量血管通透性常数(Ktrans)、血管外细胞外间隙容积比(Ve)及速率常数(Kep), 每个参数测量3次后取平均值.
所有图像均由2名具有10年以上腹部影像诊断经验的副主任医师独立分析. 两名医师在不知晓患者肝转移状态及CEA结果的情况下完成参数测量; 若测量结果存在明显差异, 则经共同阅片协商后确定最终结果. 同时, 对DWI及DCE-MRI定量参数进行一致性检验, 以保证影像数据分析的可靠性.
统计学处理 采用SPSS 24.0和R 4.0.3软件分析数据. 计量资料符合正态分布者以(mean±SD)表示, 组间比较采用独立样本t检验; 计数资料以n(%)表示, 组间比较采用χ2检验或Fisher确切概率法. 以结直肠癌术后1年内是否发生肝转移为因变量, 其中未发生肝转移赋值为0, 发生肝转移赋值为1. 将单因素分析中差异有统计学意义的变量纳入LASSO回归模型进行变量筛选. LASSO回归采用R 4.0.3软件glmnet程序包完成, 模型类型设定为二分类Logistic回归模型(family = "binomial"). 连续变量在建模前进行标准化处理, 分类变量进行哑变量赋值. 采用10折交叉验证法选择最优惩罚参数λ, 并绘制LASSO系数路径图及交叉验证误差曲线. 以交叉验证误差最小时对应的λ值, 即λmin, 作为最终变量筛选依据; 同时参考1个标准误范围内的λ值, 即λ1se, 以评估模型简约性. 最终提取λmin条件下回归系数不为0的变量作为候选预测因子, 并进一步纳入多因素Logistic回归分析, 计算OR值及95%CI. 为评估术后辅助化疗等潜在混杂因素对模型结果的影响, 进一步将术后辅助化疗纳入多因素模型进行敏感性分析. 采用R 4.0.3软件构建列线图风险预测模型; 绘制受试者工作特征曲线(receiver operating characteristic, ROC)曲线并计算曲线下面积(area under the curve, AUC), 不同预测方案间比较采用Z检验; 采用Bootstrap法进行1000次内部抽样验证列线图模型一致性, 以减少过度拟合偏倚; 临床有效性验证通过决策曲线分析(decision curve analysis, DCA)完成. 以P<0.05为差异有统计学意义.
两组患者梗阻、肿瘤直径、分化程度、临床分期、淋巴结转移、术后CEA及3.0T MRI多模态成像技术相关参数ADC、Ktrans、Kep均与直肠癌术后复发转移有关(P<0.05). 见表1.
| 因素 | 复发转移组(n = 35) | 无复发转移组(n = 85) | t/χ2 | P值 |
| 性别 | 0.000 | 0.986 | ||
| 男 | 23 | 56 | ||
| 女 | 12 | 29 | ||
| 年龄(岁) | 58.93±7.02 | 59.01±6.88 | 0.058 | 0.954 |
| BMI(kg/m2) | 24.28±2.51 | 23.87±2.39 | 0.842 | 0.402 |
| 梗阻 | 8.566 | 0.003 | ||
| 有 | 23 | 31 | ||
| 无 | 12 | 54 | ||
| 肿瘤直径(cm) | 8.09±2.15 | 6.14±1.66 | 5.350 | 0.000 |
| 分化程度 | 7.138 | 0.008 | ||
| 中、高分化 | 25 | 77 | ||
| 低分化 | 10 | 8 | ||
| 临床分期 | 11.092 | 0.001 | ||
| Ⅰ-Ⅱ期 | 11 | 55 | ||
| Ⅲ-Ⅳ期 | 24 | 30 | ||
| 神经血管侵犯 | 0.063 | 0.802 | ||
| 有 | 16 | 41 | ||
| 无 | 19 | 44 | ||
| 肠系膜浸润深度 | 0.082 | 0.775 | ||
| T1-T2 | 3 | 6 | ||
| T3-T4 | 32 | 79 | ||
| 淋巴结转移 | 7.867 | 0.005 | ||
| 有 | 23 | 32 | ||
| 无 | 12 | 53 | ||
| 手术时间 | 0.730 | 0.393 | ||
| <120 min | 8 | 26 | ||
| ≥120 min | 27 | 59 | ||
| 术后CEA | 9.303 | 0.002 | ||
| <5.0 μg/L | 12 | 55 | ||
| ≥5.0 μg/L | 23 | 30 | ||
| 术后辅助化疗 | 1.973 | 0.164 | ||
| 有 | 17 | 53 | ||
| 无 | 18 | 32 | ||
| 术后住院时间 | 2.546 | 0.111 | ||
| <14 d | 15 | 50 | ||
| ≥14 d | 20 | 35 |
两组患者3.0T MRI多模态成像技术相关参数ADC、Ktrans、Kep均与直肠癌术后复发转移有关(P<0.05). 见表2.
| 因素 | 复发转移组(n = 35) | 无复发转移组(n = 85) | t/χ2 | P值 |
| aADC(×10-3 mm2/s) | 0.83±0.12 | 1.15±0.14 | 11.842 | 0.000 |
| Ktrans(min) | 0.47±0.09 | 0.35±0.07 | 7.831 | 0.000 |
| Kep(min) | 1.12±0.27 | 0.82±0.15 | 7.763 | 0.000 |
| Ve | 0.22±0.07 | 0.24±0.07 | 1.423 | 0.157 |
以结直肠癌患者发生肝转移为阳性, 未发生肝转移为阴性, 绘制ADC、Ktrans、Kep及CEA联合预测结直肠癌肝转移风险的ROC曲线. 结果显示, ADC、Ktrans、Kep及CEA联合预测模型具有较好的区分效能, AUC为0.886(95%CI: 0.841-0.955), 敏感度为90.01%, 特异度为78.09%. 提示DCE-MRI、DWI定量参数联合CEA可较好地评估结直肠癌患者肝转移风险, 可为临床早期风险分层及个体化干预提供参考. 见图1.
以结直肠癌术后1年内是否发生肝转移为结局变量, 将单因素分析中差异有统计学意义的变量纳入LASSO回归模型. 10折交叉验证结果显示, 当λmin = 0.018时, 模型交叉验证误差最小; λ1se = 0.064时, 模型复杂度进一步降低. 为尽可能保留与术后肝转移相关的潜在预测因子, 本研究最终选择λmin = 0.018作为最优惩罚参数.
在λmin条件下, 梗阻、分化程度、临床分期、淋巴结转移、术后CEA、ADC、Ktrans和Kep的回归系数不为0, 提示上述变量与结直肠癌术后1年内肝转移风险关系较为密切, 并被纳入后续多因素Logistic回归分析. 见表3.
| 变量 | LASSO coefficient |
| 梗阻 | 0.426 |
| 低分化 | 0.318 |
| 临床分期Ⅲ-Ⅳ期 | 0.512 |
| 淋巴结转移 | 0.447 |
| CEA≥5.0 μg/L | 0.481 |
| ADC | -0.363 |
| Ktrans | 0.395 |
| Kep | 0.337 |
以结直肠癌患者是否发生肝转移为因变量, 未发生肝转移赋值为0, 发生肝转移赋值为1. 将单因素分析及LASSO回归共同筛选出的变量纳入多因素Logistic回归模型. 其中, 梗阻赋值为无 = 0、有 = 1; 分化程度赋值为中高分化 = 0、低分化 = 1; 临床分期赋值为Ⅰ-Ⅱ期 = 0、Ⅲ-Ⅳ期 = 1; 淋巴结转移赋值为无 = 0、有 = 1; CEA水平赋值为<5.0 μg/L = 0、≥5.0 μg/L = 1; ADC、Ktrans和Kep按连续变量纳入模型. 多因素Logistic回归分析结果显示, 梗阻、低分化、临床分期Ⅲ-Ⅳ期、淋巴结转移、CEA升高、Ktrans升高及Kep升高均与结直肠癌肝转移风险增加有关, ADC升高与肝转移风险降低有关, 差异均具有统计学意义(P<0.05). 见表4.
| 因素 | β | S.E. | Wald χ2 | OR | 95%CI | P值 |
| 梗阻 | 1.452 | 0.438 | 10.990 | 4.272 | 1.810-10.079 | <0.001 |
| 低分化 | 1.238 | 0.371 | 11.135 | 3.449 | 1.667-7.136 | <0.001 |
| 临床分期Ⅲ-Ⅳ期 | 1.702 | 0.423 | 16.190 | 5.485 | 2.394-12.567 | <0.001 |
| 淋巴结转移 | 1.586 | 0.441 | 12.934 | 4.884 | 2.058-11.593 | <0.001 |
| CEA≥5.0 μg/L | 1.669 | 0.415 | 16.174 | 5.307 | 2.353-11.970 | <0.001 |
| ADC | -0.731 | 0.188 | 15.119 | 0.481 | 0.333-0.696 | <0.001 |
| Ktrans | 1.527 | 0.394 | 15.021 | 4.604 | 2.127-9.967 | <0.001 |
| Kep | 1.463 | 0.402 | 13.245 | 4.319 | 1.964-9.496 | <0.001 |
将2.3得出的独立影响因素进行整合, 构建预测直肠癌术后复发转移的列线图模型, 见图2.
以结直肠癌患者是否发生肝转移为结局变量, 对所构建的列线图风险预测模型进行验证. ROC曲线分析结果显示, 列线图模型预测结直肠癌肝转移的AUC为0.966(95%CI: 0.913-1.000), 高于DCE-MRI、DWI定量参数及CEA联合预测模型的AUC值, 提示该列线图模型具有较好的区分能力, 见图3.
校准曲线结果显示, 列线图模型预测的肝转移风险概率与实际观察结果较为接近, 模型预测曲线整体趋近于理想参考线, 提示该模型具有较好的校准度, 见图4. 采用Bootstrap法进行1000次内部重复抽样验证后, 模型预测值与实际观察值仍基本接近45°参考线, 进一步说明该模型内部稳定性及预测一致性较好.
DCA结果显示, 在一定阈值概率范围内, 列线图模型较单独应用DCE-MRI、DWI定量参数或CEA指标可获得更高的临床净获益, 提示该模型在结直肠癌肝转移风险分层及临床决策辅助方面具有一定应用价值, 见图5.
结直肠癌细胞增殖活性增强, 若癌细胞种植至其他黏膜或根治术未能完全清除原发病灶, 均可能导致陈旧病灶复发[8,9]. 本研究结果显示, 结直肠癌术后肝转移发生率为24.17%, 与既往文献报道接近[10], 提示临床亟需建立术后肝转移风险的早期预测模型.
3.0T MRI多模态成像技术能够反映体内水分子扩散运动的变化, 同时揭示肿瘤组织的血流动力学特征[11,12]. 本研究发现, 肝转移组患者ADC值明显低于未发生转移组, 这可能与肿瘤细胞数量增加、组织密度升高及细胞外间隙缩小有关, 导致水分子在组织内扩散受限, 从而ADC下降. Ktrans可评价内皮细胞间隙完整性, 而Kep升高提示肿瘤细胞增殖加快, 营养需求增加, 促进新生血管形成. Ktrans、Ve、Kep可量化病灶组织新生血管状态[13,14]. 本研究显示, 肝转移组Ktrans和Kep显著高于无转移组, 这与以往部分研究结果存在差异, 可能与本研究所有患者术前均接受3.0T MRI多模态成像相关, 使Ktrans、Kep呈高表达状态. 因此, Ktrans和Kep可能与术后肝转移高度相关, 可作为潜在预测指标.
Lasso回归是建立预测模型的重要方法, 通过压缩回归系数, 可将绝对值较小的系数缩为零, 同时保留子集选择与岭回归特性[15,16]. Lasso-Logistic回归可有效解决多重共线性问题, 并筛选哑变量化后的预测因子, 使选择变量对结果解释性较强. 本研究结果表明, 梗阻、分化程度、临床分期、淋巴结转移、术后CEA及ADC、Ktrans、Kep均为结直肠癌术后肝转移的独立影响因素. 癌组织血流速度加快、内皮细胞间隙增宽会加快对比剂进出血管速度, 导致Ktrans、Kep升高、ADC降低, 这些异常变化可能提示临床分期升高、肿瘤侵袭能力增强及血管通透性增加. 肠梗阻可降低肠壁血液循环, 引发穿孔, 使癌细胞脱落并种植于腹腔, 叠加机体对有害物质清除能力下降, 可激活残存癌细胞, 增加肝转移风险. 分化程度降低、临床分期越高及淋巴管受侵可增加手术难度, 若肿瘤或淋巴结未完全切除, 也可能导致肝转移. 术后CEA升高则提示肿瘤向周围组织侵袭的可能性增加. 因此, 临床应关注上述危险因素, 并采取相应干预措施以降低肝转移发生风险.
列线图能够直观展示个体发生特定临床事件的概率, 有助于医生高效筛选高危患者[17,18]. 本研究基于独立预测因素构建的列线图模型, 其预测结直肠癌术后肝转移的AUC为0.954, 具有良好的区分能力和一致性, 显示个体化预测可靠性较高. 然而, 该模型在临床实际应用中的价值仍需进一步验证. 本研究还发现, 相较于单独使用3.0T MRI多模态成像参数, 列线图模型可获得更高的净临床获益, 这体现了其潜在创新价值. 由此可见, 基于MRI多模态成像参数构建的预测模型, 可用于估算术后肝转移风险, 临床可指导高危患者定期行结肠镜复查, 并配合化疗或药物辅助治疗.
但本研究仍存在一定局限性. 首先, 本研究为单中心回顾性研究, 纳入样本量相对有限, 可能存在一定选择偏倚, 研究结果的稳定性及推广应用价值仍需进一步验证. 其次, 本研究所构建的列线图模型主要基于本中心病例资料, 并仅进行了Bootstrap内部验证, 尚缺乏外部验证队列支持, 因此模型的普适性仍需谨慎解读. 未来仍需开展多中心、大样本、前瞻性研究, 并结合外部验证进一步评估和优化该预测模型的临床应用价值. 此外, 本研究随访时间相对较短, 仅统计术后1年内肝转移发生情况, 可能遗漏部分发生较晚的肝转移或其他远处转移病例. 因此, 本研究所构建的列线图模型主要适用于结直肠癌术后1年内肝转移风险的早期预测, 其对远期肝转移及长期预后的预测价值仍需谨慎解读. 后续研究应进一步延长随访时间, 并结合多中心、大样本外部验证, 以提高模型的稳定性和临床推广价值.
此外, 术后辅助化疗可能对结直肠癌术后1年内肝转移风险产生一定影响. 本研究单因素分析显示, 术后辅助化疗在肝转移组与未转移组之间差异无统计学意义, 提示其在本研究样本中未表现出明显组间差异. 然而, 由于术后辅助化疗方案、治疗周期、剂量强度、治疗完成情况及患者依从性等因素均可能影响肝转移结局, 本研究未能进一步对不同辅助治疗方案及治疗完成情况进行分层分析, 因此仍不能完全排除术后辅助治疗因素对模型结果的潜在混杂影响. 后续研究应在扩大样本量的基础上, 进一步纳入术后辅助治疗相关信息, 并通过分层分析或敏感性分析评估其对预测模型稳定性及预测效能的影响.
综上所述, 梗阻、分化程度、临床分期、淋巴结转移、术后CEA及ADC、Ktrans、Kep与结直肠癌术后1年内肝转移风险密切相关. 基于上述因素构建的列线图模型对结直肠癌术后1年内肝转移风险具有一定预测效能, 可为临床早期识别肝转移高危患者、制定个体化随访及干预策略提供参考. 但本研究随访时间仅为1年, 且缺乏外部验证, 模型对远期肝转移及长期预后的预测价值仍需在后续研究中通过延长随访时间及开展多中心外部验证进一步明确.
早期识别结直肠癌肝转移高危因素、构建个体化预测模型利于精准临床干预. 现有评估手段含TNM分期、肿瘤标志物与常规影像, 但TNM仅体现肿瘤解剖进展, 癌胚抗原等标志物灵敏度、特异度不足. 融合影像定量参数与血清指标构建模型, 有望提升肝转移风险评估准确度.
动态增强磁共振成像可定量分析肿瘤血流灌注、血管通透性, 反映新生血管与微环境; 扩散加权成像结合表观扩散系数能体现水分子扩散受限情况, 评估肿瘤细胞密度. 二者参数从灌注、扩散维度反映结直肠癌生物学行为, 关联侵袭转移风险. 列线图可整合多类危险因素, 直观预判个体不良结局概率, 临床实用性佳.
探讨基于3.0T磁共振成像多模态成像参数及血清癌胚抗原水平构建列线图模型预测结直肠癌术后1年内肝转移风险的临床价值.
选取2021-03-01/2024-02-28台州医院120例结直肠癌手术患者, 分肝转移35例、无转移85例. 对比两组临床病理、癌胚抗原(carcinoembryonic antigen, CEA)及多模态磁共振成像(magnetic resonance imaging, MRI)定量参数; 经单因素、LASSO与多因素Logistic回归筛选独立危险因素, 构建列线图, 并以受试者工作特征曲线、校准曲线、决策曲线分析验证模型效能.
肝转移组表观扩散系数(apparent diffusion coefficient, ADC)更低, 血管通透性常数(volume transfer constant, Ktrans)、速率常数(rate constant, Kep)更高(P<0.05). ADC、Ktrans、Kep联合CEA预测曲线下面积(area under the curve, AUC)0.886. 梗阻、低分化、晚分期、淋巴结转移、高CEA、高Ktrans/Kep为危险因素, 高ADC为保护因素. 基于上述指标构建列线图AUC达0.966, 校准度良好, 临床净获益优于单一影像及CEA检测.
结直肠癌术后1年内肝转移与梗阻、分化、分期、淋巴结转移、CEA及多模态MRI参数密切相关. 融合3.0T MRI定量参数与CEA构建的列线图可高效预测术后1年肝转移, 助力筛查高危患者、制定个体化随访方案. 本研究随访较短, 模型远期预测价值尚需延长随访并外部验证.
研究所构建的列线图模型主要适用于结直肠癌术后1年内肝转移风险的早期预测, 其对远期肝转移及长期预后的预测价值仍需谨慎解读. 后续研究应进一步延长随访时间, 并结合多中心、大样本外部验证, 以提高模型的稳定性和临床推广价值.
| 1. | Bray F, Laversanne M, Sung H, Ferlay J, Siegel RL, Soerjomataram I, Jemal A. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2024;74:229-263. [PubMed] [DOI] |
| 2. | Ren L, Zhu DX, Gu J, Jia BQ, Li J, Qin XY, Wang XS, Xu RH, Ye YJ, Zhang SZ, Zhang ZT, Xu JM and Fan J. Chinese guidelines for the diagnosis and comprehensive treatment of colorectal liver metastases (V. 2023). Clin Surg Oncol. 2023;2:100013. [DOI] |
| 3. | Deal M, Bardet F, Walker PM, de la Vega MF, Cochet A, Cormier L, Bentellis I, Loffroy R. Three-dimensional nuclear magnetic resonance spectroscopy: a complementary tool to multiparametric magnetic resonance imaging in the identification of aggressive prostate cancer at 3.0T. Quant Imaging Med Surg. 2021;11:3749-3766. [PubMed] [DOI] |
| 4. | Delli Pizzi A, Cianci R, Genovesi D, Esposito G, Timpani M, Tavoletta A, Pulsone P, Basilico R, Gabrielli D, Rosa C, Caravatta L, Di Tommaso M, Caulo M, Filippone A. Performance of diffusion-weighted magnetic resonance imaging at 3.0T for early assessment of tumor response in locally advanced rectal cancer treated with preoperative chemoradiation therapy. Abdom Radiol (NY). 2018;43:2221-2230. [PubMed] [DOI] |
| 5. | Li T, Huang J, Lei P, Yang X, Chen Z, Chen P, Zhai J, Guo X, Wei H. A novel nomogram for anastomotic leakage after surgery for rectal cancer: a retrospective study. PeerJ. 2022;10:e14437. [PubMed] [DOI] |
| 6. | Song J, Chen Z, Huang D, Wu Y, Lin Z, Chi P, Xu B. Nomogram Predicting Overall Survival of Resected Locally Advanced Rectal Cancer Patients with Neoadjuvant Chemoradiotherapy. Cancer Manag Res. 2020;12:7375-7382. [PubMed] [DOI] |
| 8. | Galizia G, Gemei M, Orditura M, Romano C, Zamboli A, Castellano P, Mabilia A, Auricchio A, De Vita F, Del Vecchio L, Lieto E. Postoperative detection of circulating tumor cells predicts tumor recurrence in colorectal cancer patients. J Gastrointest Surg. 2013;17:1809-1818. [PubMed] [DOI] |
| 9. | Pugh SA, Fuller A, Rose P, Perera-Salazar R, Mellor J, George S, Mant D, Primrose JN. What is the true incidence of metachronous colorectal liver metastases? Evidence from the UK Follow-up After Colorectal Surgery (FACS) trial. Ann Roy Coll Surg. 2013;95:408-409. [DOI] |
| 10. | Engstrand J, Strömberg C, Nilsson H, Freedman J, Jonas E. Synchronous and metachronous liver metastases in patients with colorectal cancer-towards a clinically relevant definition. World J Surg Oncol. 2019;17:228. [PubMed] [DOI] |
| 11. | Nerad E, Delli Pizzi A, Lambregts DMJ, Maas M, Wadhwani S, Bakers FCH, van den Bosch HCM, Beets-Tan RGH, Lahaye MJ. The Apparent Diffusion Coefficient (ADC) is a useful biomarker in predicting metastatic colon cancer using the ADC-value of the primary tumor. PLoS One. 2019;14:e0211830. [PubMed] [DOI] |
| 12. | Yoshikawa M, Morine Y, Yamada S, Miyazaki K, Tokuda K, Saito Y, Arakawa Y, Ikemoto T, Imura S, Shimada M. Prognostic prediction of resectable colorectal liver metastasis using the apparent diffusion coefficient from diffusion-weighted magnetic resonance imaging. Ann Gastroenterol Surg. 2021;5:252-258. [PubMed] [DOI] |
| 13. | Kim SH, Lee HS, Kang BJ, Song BJ, Kim HB, Lee H, Jin MS, Lee A. Dynamic Contrast-Enhanced MRI Perfusion Parameters as Imaging Biomarkers of Angiogenesis. PLoS One. 2016;11:e0168632. [PubMed] [DOI] |
| 14. | Yeo DM, Oh SN, Jung CK, Lee MA, Oh ST, Rha SE, Jung SE, Byun JY, Gall P, Son Y. Correlation of dynamic contrast-enhanced MRI perfusion parameters with angiogenesis and biologic aggressiveness of rectal cancer: Preliminary results. J Magn Reson Imaging. 2015;41:474-480. [PubMed] [DOI] |
| 15. | Tibshirani R. Regression shrinkage and selection via the lasso. J R Stat Soc B. 1996;58:267-288. [DOI] |
| 16. | Friedman J, Hastie T, Tibshirani R. Regularization Paths for Generalized Linear Models via Coordinate Descent. J Stat Softw. 2010;33:1-22. [PubMed] [DOI] |
| 17. | Iasonos A, Schrag D, Raj GV, Panageas KS. How to build and interpret a nomogram for cancer prognosis. J Clin Oncol. 2008;26:1364-1370. [PubMed] [DOI] |
| 18. | Vickers AJ, Elkin EB. Decision curve analysis: a novel method for evaluating prediction models. Med Decis Making. 2006;26:565-574. [PubMed] [DOI] |
学科分类: 胃肠病学和肝病学
手稿来源地: 浙江省
同行评议报告学术质量分类
A级 (优秀): 0
B级 (非常好): B
C级 (良好): C
D级 (一般): 0
E级 (差): 0
科学编辑: 刘继红 制作编辑:张砚梁