这篇文档属于类型a，即报告了一项原创性研究。以下是对该研究的详细介绍：
主要作者及研究机构
本研究的主要作者包括Sihui Zeng、Shaohan Yin、Shanshan Lian、Ma Luo、Lili Feng、Yuting Liao、Zhijie Huang、Yuquan Zheng、Chuanmiao Xie和Shuiqing Zhuo。研究机构包括中山大学肿瘤防治中心放射科、华南肿瘤学国家重点实验室、广东省癌症临床研究中心以及飞利浦医疗（广州）。研究发表于《Academic Radiology》期刊，时间为2025年。
学术背景
胃癌（Gastric Cancer, GC）是全球范围内发病率和死亡率均较高的恶性肿瘤之一，尤其在局部晚期胃癌中，术前准确的分期对治疗方案的制定至关重要。病理T4期（Pathological T4, pT4）是指肿瘤侵犯浆膜层或邻近结构，与较高的微转移和腹膜播散风险相关。目前，内镜超声（Endoscopic Ultrasound, EUS）和常规CT是T分期的主要诊断手段，但pT4的鉴别仍具有挑战性。近年来，基于CT的影像组学（Radiomics）研究在提高肿瘤侵犯深度诊断准确性方面取得了进展，但双能CT（Dual-Layer Spectral CT, DLCT）的潜力尚未充分挖掘。DLCT通过双探测器层分解X射线束，生成多参数影像数据，包括虚拟单能图像（Virtual Monoenergetic Images, VMI）、碘密度（Iodine Density, ID）、有效原子序数（Effective Atomic Number, Zeff）和电子密度（Electron Density, ED）图像。本研究旨在开发并验证一种基于DLCT的临床-影像组学模型，用于术前预测胃癌患者的pT4分期。
研究流程
1. 研究人群
本研究为回顾性研究，纳入了148例经手术确诊的胃癌患者，这些患者在术前接受了DLCT扫描。患者被随机分为训练组（n=104）和测试组（n=44）。纳入标准包括：术前2周内接受DLCT扫描、未接受抗癌治疗、病理确诊为胃癌并完成T分期。排除标准包括DLCT图像不完整或质量差。
临床数据
从电子病历中提取患者的年龄、性别、血清肿瘤标志物（如CA19-9、CA72-4、CEA）以及CT图像中的肿瘤位置和厚度等临床数据。肿瘤厚度定义为CT横断面、冠状面或矢状面中的最大值。
病理评估
根据AJCC/UICC TNM分期系统（第8版）对手术标本进行病理T分期。pT4定义为肿瘤侵犯浆膜层或邻近结构，非pT4包括pT1-T3期肿瘤。
图像采集与重建
所有检查均使用128层DLCT扫描仪（IQon, Philips Healthcare）进行，扫描协议包括非增强期、动脉期（Arterial Phase, AP）和门静脉期（Portal Venous Phase, PVP）。120-kV图像被重建并传输至PACS系统，随后生成常规图像和SBI（Spectral Base Image, SBI），包括40 keV、70 keV和100 keV的VMI、ID、Zeff和ED图像。
肿瘤分割
由两名放射科医生对所有病例进行肿瘤分割，使用ITK-SNAP软件在AP和PVP的70 keV图像上勾画肿瘤感兴趣区域（Region of Interest, ROI）。计算组内相关系数（Intraclass Correlation Coefficient, ICC）评估分割的一致性，ICC>0.75表示良好一致性。
特征提取与选择
使用PyRadiomics工具包从常规CT和SBI数据集中提取1688个影像组学特征，包括一阶统计量、形状特征、灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）等。通过LASSO回归进行特征选择，最终保留显著特征用于模型构建。
模型构建与评估
使用逻辑回归构建预测模型，包括临床模型、常规CT影像组学模型（Conv模型）、SBI影像组学模型（SBI模型）以及临床-影像组学组合模型（Comb模型）。通过ROC曲线下面积（Area Under Curve, AUC）、准确性（Accuracy, Acc）、敏感性（Sensitivity, Sen）和特异性（Specificity, Spe）评估模型性能。使用DeLong检验比较不同模型的ROC曲线，并通过校准曲线和决策曲线分析（Decision Curve Analysis, DCA）评估模型的临床实用性。
主要结果
1. 临床和影像特征
单变量逻辑回归分析显示，CT上的肿瘤厚度和CA19-9水平是pT4的独立预测因子。
模型性能
Comb模型在训练组和测试组中的AUC分别为0.906和0.873，显著优于主观图像解读和其他模型。SBI模型的AUC（训练组0.898，测试组0.850）高于Conv模型（训练组0.862，测试组0.810），表明SBI特征对诊断的贡献更大。
Nomogram构建
基于Comb模型构建了Nomogram，整合了临床特征、常规CT影像组学特征和SBI特征，用于可视化预测pT4的概率。
结论
本研究首次评估了DLCT影像组学在预测胃癌pT4分期中的应用，开发了一种高诊断准确性的临床-影像组学模型。该模型在训练组和测试组中的AUC分别为0.906和0.873，显著优于常规CT和主观评估。通过Nomogram的构建，本研究为术前分期提供了可靠的非侵入性工具，有助于个性化治疗方案的制定。
研究亮点
1. 创新性方法
本研究首次将DLCT影像组学与临床特征结合，构建了预测pT4的模型，填补了该领域的研究空白。
2. 高诊断准确性
Comb模型的AUC显著高于其他模型，表明其在高危胃癌患者中的诊断潜力。
3. 临床实用性
通过Nomogram的可视化工具，本研究为临床医生提供了易于操作的预测工具，有助于优化治疗决策。
其他有价值的内容
本研究还探讨了动脉期和门静脉期影像特征的贡献，发现动脉期特征对模型预测能力的贡献更大，这可能与肿瘤的血管生成和淋巴浸润有关。此外，研究还强调了DLCT在提高小肿瘤或早期浆膜侵犯检测中的优势。
本研究为胃癌的术前分期提供了新的思路和方法，具有重要的科学价值和临床应用前景。