Ziel: Untersuchung des potenziellen Wertes von maschinellen Lernmodellen basierend auf multiparametrischer Magnetresonanztomographie (MRT) umgebungsbezogener Radiomik zur Vorhersage der lymphovaskulären Invasion (LVI) bei Patienten mit Magenkrebs. Methoden: Es wurden retrospektiv Daten von Patienten mit pathologisch bestätigtem Magenkrebs im Shanxi Tumor Hospital von Oktober 2012 bis Mai 2024 gesammelt und zufällig im Verhältnis 7:3 in Trainings- und Validierungsgruppen aufgeteilt. Multiparametrische MRT-Bilder, einschließlich axial gewichteter T2-Bilder, Karten des scheinbaren Diffusionskoeffizienten (ADC) und kontrastverstärkter T1-Bilder, wurden vorverarbeitet und die Tumore manuell segmentiert. Basierend auf dem Fuzzy-C-Means-Clustering-Algorithmus wurden die Tumore in Unterregionen unterteilt, von denen radiomische Merkmale extrahiert und ausgewählt wurden, sowohl für die Unterregionen als auch für den gesamten Tumorbereich. Drei verschiedene maschinelle Lernalgorithmen — Random Forests (RF), logistische Regression (LR) und Support Vector Machine (SVM) — wurden verwendet, um umgebungsbezogene Radiomikmodelle zur Vorhersage des LVI-Status zu erstellen, wobei der beste Algorithmus ausgewählt wurde, um ein ganzes Tumorradiomikmodell zu erstellen. ROC-Kurven und Entscheidungsanalysekurven (DCA) wurden gezeichnet, um die Vorhersageleistung und den klinischen Nutzen der Modelle für die LVI-Prognose bei Magenkrebspatienten zu bewerten. Ergebnisse: Insgesamt wurden 446 Patienten mit Magenkrebs eingeschlossen, davon 313 in der Trainings- und 133 in der Validierungsgruppe. Unter den drei maschinellen Lernmodellen zeigte das umgebungsbezogene Radiomikmodell auf Basis von SVM die beste Vorhersageleistung mit Flächen unter der Kurve (AUC) von 0,803 und 0,751 für Trainings- bzw. Validierungsdaten, wobei dieses Modell dem gesamten Tumorradiomikmodell signifikant überlegen war (DeLong-Test, P < 0,05). Schlussfolgerung: Maschinelle Lernmodelle basierend auf multiparametrischer MRT-Umgebungsbildgebung ermöglichen eine nichtinvasive und genaue Vorhersage des LVI-Status bei Patienten mit Magenkrebs und bieten eine theoretische Grundlage für klinisch individualisierte Therapieentscheidungen.

Magenkrebs;lymphovaskuläre Invasion;Magnetresonanztomographie;Umgebungsanalyse;maschinelles Lernen