目的 建立基于多模态MRI影像组学及临床-影像表型特征的预测模型，评价其治疗前预测局部进展期直肠癌(locally advanced rectal cancer, LARC)新辅助放化疗(neoadjuvant chemoradiotherapy, nCRT)疗效的效能及临床应用价值，并通过Shapley分析赋予多模态影像组学模型可解释性。材料与方法 回顾性分析2018年1月至2024年12月中国科学技术大学附属第一医院(中心1)、中国科学院合肥肿瘤医院(中心2)共172例接受nCRT并进行手术切除的LARC患者，收集临床病理资料及nCRT前MRI图像资料。根据术后病理结果，按照第8版AJCC直肠癌肿瘤退缩分级(tumor regression grading, TRG)标准，将TRG 0～1级的患者分为反应良好(good responders, GR)组(n=77),TRG 2～3级分为反应不良(poor responders, PR)组(n=95)。中心1的患者按7∶3的比例随机分为训练集(n=92)和内部验证集(n=40)，中心2的患者作为外部验证集(n=40)。选择高分辨率轴位T2WI、轴位弥散加权成像(diffusion-weighted imaging, DWI)、矢状位对比增强T1WI(contrast-enhanced T1WI, CE-T1WI)序列沿肿瘤边缘勾画感兴趣区(region of interest, ROI)，对其进行图像预处理后提取组学特征。采用Spearman相关性分析及最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)算法进行特征降维，筛选最优特征。通过极限梯度提升(eXtreme gradient boosting, XGBoost)机器学习分类器分别获取T2WI、DWI、CE-T1WI、多模态(T2WI、DWI、CE-T1WI)影像组学评分(radiomics score, Rad-score)，分别构建T2WI、DWI、CE-T1WI、多模态影像组学模型；通过单因素、多因素logistic回归筛选临床-影像表型独立预测因子构建临床-影像表型模型。最后，选择临床-影像表型独立预测因子联合多模态影像组学Rad-score建立列线图模型。受试者工作特征(receiver operating ch...
(8.0+极速模式)