目的:本研究通过收集和分析结直肠癌肝转移患者的临床资料和影像组学特征,建立神经网络模型来预测患者对以伊立替康为基础的一线化疗药物的敏MK-1775体内实验剂量感性。方法:回顾性收集2015年1月到2020年1月在青岛大学附属医院接受伊立替康为基础的一线化疗药物治疗的不可切除结直肠癌肝转移患者资料共116例,并以7:3的比例随机划分为训练集(81例)和验证集(35例)。根据RECIST标准评价化疗效果,将患者分为反应组(完全缓解和部分缓解)和无反应组(稳定和进展)。手动勾画感兴趣区域,以1x1x1mm~3、3x3x3mm~3、5x5x5mm~3的体素Cell culture media间距将原始图像重采样为各向同性数据,并分别对其提取影像组学特征。经过皮尔逊相关分析和最大相关最小冗余算法筛选出相关的特征,将筛选出的特征与临床资料融合输入人工神经网络,经过反复学习获得预测模型,再使用验证集对模型性能进行验证。结果:在所有的模型中提出的p-model表现最好,在训练集和验证集中的受试者工作特征曲线下面积(area under the receiver operating characteristic curve,AUC)分别为0.754(95%置信区间(conBemcentinib molecular weightfidence interval,CI)0.650-0.858)和0.752(95%CI 0.581-0.904),可以达到较为满意的预测性能。在单纯的影像组学模型和临床资料模型中,训练集的AUC分别为0.720(95%CI 0.609-0.827)和0.684(95%CI 0.529-0.890),验证集AUC分别为0.638(95%CI 0.500-0.757)和0.545(95%CI 0.360-0.785)。而在使用其他分类器构建模型时,单纯的影像组模型和临床资料模型均无法达到满意的预测效果。结论:本研究提出的人工神经网络模型是通过将结直肠癌肝转移患者的影像组学特征和临床资料相结合而建立的,对患者的化疗潜在敏感性实现了有效区分,该模型有望作为非侵入性的工具辅助结直肠癌肝转移患者治疗方案的制定。