目的：将放射组学特征与深度学习相结合，进行局部晚期直肠癌的肿瘤退变程度（TRG）评分预测，评估该方法在癌症治疗反应中的应用效果。方法：首先通过ITK-SNAP软件对CT图像进行处理，通过Spearman相关分析去除冗余特征，并结合Lasso回归进行特征降维。然后，采用改进的ResNet50模型进行特征提取，增强网络对肿瘤关键信息的关注，并与支持向量机（SVM）结合，进行TRG评分预测。通过多指标评估，比较不同特征筛选方法和模型架构的效果。结果：在对比实验中，本文提出的方法在特异度（0.82）、敏感度（0.78）、准确度（0.80）和AUC(0.84)上均表现最佳，明显优于其他对比方法。特别是在TRG评分预测的精确度和稳定性上，结合深度学习的特征提取和Lasso特征筛选的优势凸显，显著提升肿瘤反应评估的准确性。结论：本研究证明结合放射组学特征与深度学习模型，并通过Spearman相关分析与Lasso降维进行特征筛选，利用改进的ResNet50与SVM模型，能有效提升局部晚期直肠癌TRG评分的预测性能，实现精准的治疗反应预测，具有较高的临床应用价值，可为个体化治疗决策提供支持。
(8.0+极速模式)