基于MRI的人工智能在直肠癌中的应用进展

朱钰，欧阳治强，单海燕，杨露，褚吉祥，廖承德，柯腾飞，杨军*

0 前言

结直肠癌是消化系统常见的恶性肿瘤，直肠癌（rectal cancer, RC）约占35%[1]。由于MRI 具有软组织分辨率高，无电离辐射等优势，其在RC 治疗前分期和治疗后评估中起着举足轻重的作用，能对肿瘤形态及位置、肿瘤分期、淋巴结、壁外血管侵犯（extramural vascular invasion, EMVI）、直肠系膜筋膜受累等细节进行准确评估[2-4]。准确的MRI 评估对RC 患者至关重要，然而，MRI 图像结果的判读常受到医生诊断经验、业务水平和工作强度的影响，目前，常规MRI 形态学特征评价RC 病情的准确性仍然不足以准确指导制订治疗方案，有待进一步提升。因此，开发一种新型有效的图像挖掘方法从而实现准确诊疗仍然是RC领域所面临的一个挑战。

人工智能（artificial intelligence, AI）已在医学图像分析领域得到了频繁成功的应用[5-6]，其能够定量评估影像学特征并自动识别成像数据中的复杂模式[7]。机器学习（machine learning, ML）是AI的一个重要分支，在算法应用方面，主要使用人工神经网络、支持向量机和核方法等[8]。随着科学技术的飞速发展，以ML为核心的AI在RC中的应用也逐渐增多。为了帮助读者更全面地了解当前基于MRI 的AI在RC 中的临床应用并为将来的研究提供一定参考，本文从多个重要方面进行了综述。

1 基于MRI的AI在病灶分割中的应用

基于卷积神经网络（convolutional neural network, CNN）的深度学习（deep learning, DL）方法可以从训练数据中自动进行特征学习[9]，并已应用于医学图像分割。近年来，DL 算法在分割病灶方面受到了广泛关注并得到了令人印象深刻的结果。手动分割病灶是一个既耗时又主观的过程，限制了其在临床实践中的实用性。然而，基于DL 的肿瘤分割算法比手动分割更客观高效，并减轻了工作负担。TREBESCHI 等[9]在训练集中基于T2WI 和扩散加权成像（diffusion-weighted imaging, DWI）的 多 参 数MRI 训练CNN 用于分割RC，在独立验证集上，CNN 对读者1和读者2的骰子相似度系数分别为0.68和0.70，显示出很高的分割精度，证明了DL 在RC 中进行准确分割的潜力。U-Net 作为一种较受欢迎和成功的生物医学图像分割DL 模型，已被证明在生物医学图像分割中是有效的[10]。WANG 等[11]使用2D U-Net 算法在T2WI 上对直肠肿瘤进行分割，并计算了骰子相似度系数、杰卡德相似系数、豪斯多夫距离、平均表面距离四个指数来评估自动和手动分割的相似性；AI 模型的四个指标分别为（0.74±0.14）、（0.60±0.16）、（20.44±13.35）和（3.25±1.69）mm；放射科医生的这 些 指 数 分 别 为（0.71±0.13）、（0.57±0.15）、（14.91±7.62）和（2.67±1.46）mm，表明自动分割和手动分割之间没有观察到显著差异。KNUTH 等[12]收集了来自不同医院的两组RC 患者（C1 和C2），同样利用2D U-Net 架构在T2WI 和DWI 上进行RC 分割；对于C1 队列，在测试集中T2WI 模型的中位骰子相似度系数为0.77，研究发现加入DWI并没有进一步提高模型性能（骰子相似度系数=0.76）；基于T2WI 的模型在C1 上训练并应用于C2 的骰子相似度系数为0.59。由于传统U-Net 网络会导致轮廓分割的模糊性，LI等[13]提出了一种基于轮廓预测的改进U-Net 模型用于RC 分割，并在测试集上实现了0.894（语义分割的评价指标MIoU）的平均交集。由于二维分割精度有限，为进一步提高分割精度，ZABIHOLLAHY 等[14]提出了一种3D U-Net 和3D 密集U-Net 架构在T2WI 上来分割RC，结果表明所开发的方法准确、快速且可重现，并且明显优于其他先进的分割方法。SUI 等[15]提出了一种新的迁移学习协议——基于变换器模型的RC 检测和分割任务的联合框架，这种协议可有效地实现肿瘤区域联合检测及分割。

以上研究初步提示基于MRI的AI在分割RC病灶方面取得了良好的结果，具有较好的临床应用前景。尽管MRI能更清楚地反映直肠结构和肿瘤位置，但由于直肠是蠕动的管状结构，在准确分割方面也存在一些挑战。在应用前，仍需进一步验证，如果验证结果可靠，分割效率低、受主观因素影响大的现状势必得到改善。未来开发一个通用模型用于在多个序列上而不仅在单个序列上分割目标区域从而简化分割过程并节省时间也许是非常有意义的。

2 基于MRI的AI在RC T分期中的应用

术前准确评估RC T分期是临床诊疗决策中的关键步骤，其中早期RC（T1-2 和N-）的最佳治疗方法是全直肠系膜切除术（total mesorectal excision,TME），而局部晚期RC（T3-4和/或N+）的治疗策略是新辅助放化疗（neoadjuvant chemoradiotherapy, nCRT）后行TME[16-17]。MRI被认为是评估T分期的首选方法[2]。然而，目前T分期的诊断很大程度上依赖于影像医生的经验，这可能会导致分期准确率降低。近年来，基于MRI的AI已作为新的方法被用于评估T分期，且目前大多数研究都集中在区分T1/T2 和T3/T4 的二分类问题上。

LU 等[18]基于T2WI 勾画最小（肿瘤）和最大（肿瘤和肿瘤周围的模糊区域）ROI 建立了2 个影像组学模型，以区分T1/T2和T3/T4。在验证集中，最小和最大描绘模型的AUC 分别为0.808 和0.903，均表现出了良好的预测性能，且最大描绘方法在临床上更有益。而YOU 等[19]基于154 名患者的高分辨率T2WI 和ADC图，使用支持向量机模型区分T1/T2和T3/T4，在验证队列中，高分辨率T2WI、ADC 图和组合模型的AUC 分别为0.845、0.881 和0.910，且两个序列联合应用有助于提高RC 术前诊断的准确性。此外，DL 也被用于T 分期评估。WU 等[20]使用Faster R-CNN 来构建RC T分期自动诊断平台，结果表明该模型可能是预测RC T 分期有效且客观的方法。最新一项研究表明，与基于高分辨T2 的AI 模型和放射科专家的视觉评估相比，基于DL 的3D 超分辨率MRI 影像组学模型在预测术前T分期方面具有更优越的性能[21]。

从上述几项研究不难看出，基于不同ROI和不同MRI 序列的AI 在评估RC 患者T 分期方面表现出了较好的性能，有望成为RC 术前T 分期的重要手段之一。然而，这几项研究ROI 都是手动勾画的，这更大程度上取决于影像医生的个人经验和感知，难以避免主观错误；其次，大部分研究都基于T2WI 序列，而其他常规序列，如DWI 和增强对于评估T 分期的准确性尚不清楚，有待进一步研究。

3 基于MRI的AI在诊断淋巴结转移中的应用

淋巴结转移是RC 患者最常见的转移途径，增加了患者局部复发的风险。根据NCCN 指南，RC 患者治疗方法的制订取决于对盆腔淋巴结转移情况的预判，即先行nCRT 再行手术，还是手术后行辅助治疗[17]。临床上，利用MRI 对转移性淋巴结的诊断主要基于形态学指标，如淋巴结形状、大小和信号强度[22]，然而，形态学指标在提高淋巴结分期的准确性方面仍然有限[23]，且不同经验的放射科医生在诊断转移性淋巴结方面存在较大差异，从而导致总体诊断准确度不高。因此，对淋巴结受累情况进行全面、准确的评估对RC 的临床分期、选择治疗策略和改善预后至关重要。

深度迁移学习是一种AI方法，用于对网络的大型公共成像数据库进行预训练，并提取边缘、纹理和灰度等特征[24]，适用于医学图像分析，尤其是小样本分析。ZHAO等[25]通过迁移学习为DL框架Mask R-CNN提供输入，开发和验证了基于多参数MRI的全自动淋巴结检测和分割模型。结果显示模型检测和分割所需的时间为1.3 s/例，明显短于放射科医生的200 s/例；对于淋巴结分割，模型骰子相似度系数在0.81～0.82范围内。LI 等[26]使用预训练的DL 模型（Inception-v3）识别和检测淋巴结状态，阳性预测值、阴性预测值、敏感度和特异度分别为0.952、0.953、95.3%和95.2%，AUC和准确率分别为0.994 和0.957，表现均优于放射科医生。LIU 等[27]基于临床因素和单、多因素影像组学特征建立了五个支持向量机分类模型，以预测RC 中的淋巴结转移；结合临床和多因素影像组学特征的模型具有更好的分类性能和诊断准确性（AUC=0.832）。此外，术前准确诊断下段RC 侧方淋巴结转移对于需要行侧方LN 清扫的患者非常重要。KASAI等[28]利用ML 创建了一个侧方淋巴结转移预测模型，该模型验证队列AUC 为0.903，预测能力明显高于传统方法（AUC=0.754），有助于指导临床是否需要进行侧方淋巴结清扫。

基于MRI的AI可以帮助快速检测和分割淋巴结，提高临床效率，并较大限度地减少不同年资放射科医生之间的差异，为淋巴结预测提供更多有价值的信息。

4 基于MRI 的AI 在预测新辅助治疗后病理完全缓解中的应用

在全球每年被诊断为RC 的患者中约70%为局部进展期RC（locally advanced RC, LARC）[29]。目前对于LARC 的标准治疗方法是nCRT 后行全直肠系膜切除术[17]。然而，在临床实践中，从无肿瘤消退到病理完全缓解（pathologic complete response, pCR），个体对nCRT的反应是高度异质性的。先前的研究表明约10%～25%的RC 患者在nCRT 后出现pCR[30]。对于pCR 患者，可实施“等待和观察”策略，并行严密的定期监测[31]，从而避免手术并发症、永久性造口等问题。然而，目前只能通过术后组织病理评估来确认pCR，因此，迫切需要在术前无创地准确预测pCR，以确定器官保存策略的患者。尽管常规MRI 是nCRT 反应评估的首选方式，但因MRI 评估nCRT 反应的共识相对缺乏[32]，pCR 的视觉评估仍然具有挑战性。近年来，基于MRI 的影像组学和DL 的发展为评估pCR 创造了新的工具。

与单指数DWI相比，扩散峰度成像可产生更多关于组织结构的信息。由此，ZHANG 等[33]首次提出基于T2WI 和扩散峰度图像的DL 模型来预测pCR，研究结果表明，训练集的AUC 为0.99。国内学者[34]仅基于T2WI 图像，建立了DL 模型来预测pCR，模型的AUC、敏感度、特异度、阳性预测值、阴性预测值和准确度分别为0.76、30%、96%、0.67、0.87和85%。近期，来自日本的学者也得出了相类似的结论[35]。CHEN等[36]基于极端梯度提升算法（eXtreme Gradient Boosting, XGBoost）的ML 算法预测pCR，并将AI 模型与传统列线图模型进行比较，发现AI 模型将训练集中AUC 从0.72 提高到0.95，敏感度从43.0%提高到82.2%，特异度从87.1%提高到91.6%，可为临床医生制订个性化治疗方案提供参考。有研究[37]基于T2WI 创新性地挖掘直肠系膜脂肪的信息，建立影像组学模型来预测LARC患者nCRT 后的pCR，并取得了良好的预测效能，表明肿瘤周围直肠系膜脂肪也可能显示出巨大的预测能力。

由此可见，AI 作为一种潜在的定量工具，在评估LARC患者pCR方面具有重要的价值，能为临床决策提供合理依据。目前的研究普遍存在研究队列规模小、缺乏外部验证等问题，只有通过国内甚至国际多中心研究才能实现模型的广泛适用性。

5 基于MRI的AI在预测患者预后中的应用

局部复发和远处转移是RC预后不良的重要影响因素。大约15%～30%的结直肠癌患者会出现转移[38]。如果能够在早期识别并筛查出此类高危人群，就可以在术前对此类人群进行有针对性的治疗，并制订适当的治疗策略从而改善预后[8]。近年来的研究发现，基于MRI的AI在预测RC预后方面表现突出。

JAYAPRAKASAM 等[37]在轴位T2WI 上提取直肠系膜脂肪的影像组学特征建立模型来预测LARC的局部复发和远处转移，研究发现在局部复发或远处转移的患者和未发生的患者之间，直肠系膜脂肪的影像组学特征有显著差异。LIU 等[39]开发并验证了基于MRI 的影像组学特征，用于预测多中心数据集的远处转移，研究证明基于MRI的影像组学特征是预测LARC患者远处转移的独立因素。而CUI等[40]基于多参数MRI图像提取影像组学特征并联合临床病理因素构建列线图用于预测LARC患者无病生存期，训练集和验证集的C指数分别为0.780和0.803。此外，TIBERMACINE等[41]进行了一项多中心研究，评估和比较了不同的影像组学模型预测LARC 患者无病生存期的能力，结果表明模型预测无病生存期的AUC 值范围为0.77 至0.89，均表现出了良好的性能。另一项回顾性多中心研究构建了一个基于DL 的影像组学模型，用于预测接受nCRT后LARC 患者的远处转移，发现基于MRI 的DL 影像组学特征在远处转移预测中表现良好，在验证队列中，C指数为0.747，AUC为0.894[42]。LIANG等[43]使用基于ML 的MRI 影像组学来预测RC 的异时性肝转移，并取得了良好的预测效能。

环周切缘（circumferential resection margin,CRM）阳性是RC 局部复发和生存率较差的预测指标[44]。因此，准确地预测CRM 是否阳性对于选择合理的治疗方案尤为重要。一项单中心回顾性研究基于Faster R-CNN 评估RC CRM 的受累情况[45]，在训练集中，CRM 阳性和阴性的比例为1∶2；该模型的准确度、敏感度和特异度分别为93.2%、83.8%和95.6%，AUC为0.953。研究表明，该AI模型可对原位肿瘤外侵引起的CRM阳性区域行风险评估，具有初步筛选的应用价值。然而，目前关于MRI 的AI 在RC CRM 识别中的研究仍较少，未来需要扩大样本量行更深入的研究来完善AI辅助诊断CRM平台。

EMVI 见于31%的RC 患者[46]，研究表明EMVI 与LARC 患者的肿瘤复发和总体死亡风险增加有关，也是预后不良的指标[47]。因此，早期识别EMVI 对治疗策略的选择具有重要意义。为了提高诊断EMVI的准确性，SHU 等[48]基于T1WI、T2WI、DWI 和T1WI 增强图像，并使用不同的ML算法，结合临床特征构建了联合模型用于EMVI 的术前预测；结果表明基于贝叶斯算法构建的联合模型预测效能表现最佳，AUC、敏感度和特异度分别为0.835、71.4%和88.5%。LIU 等[49]开发和验证了基于原发肿瘤特征的影像组学列线图，以使用ML 预测术前病理性EMVI，结果表明影像组学列线图的预测效率最高，AUC为0.863，可能有助于患者选择最佳治疗策略。ZHAO等[50]从合成MRI图像中提取影像组学特征，同样建立了列线图预测EMVI，验证队列AUC为0.899，此外，影像组学特征诊断效果优于两位放射科医生（AUC分别为0.912、0.732和0.763）。

以上研究成果表明基于MRI 的AI 能够自动化、高通量地提取图像信息，以无创的方式捕获肿瘤影像信息，在RC患者风险分层中发挥了重要作用，在很大程度上可帮助临床医生做出合理的医疗决策。未来，MRI 单序列建模也将逐渐走向多序列融合甚至多模态融合建模方向，但距离临床应用尚待时日。

6 小结

从这些研究中我们不难看出随着基于MRI 的AI在RC 中的发展与应用不断深入，其在病灶分割、T 分期评估、淋巴结转移预测、nCRT 疗效评估、预后预测方面的优势逐渐显现，取得了令人鼓舞的成就。然而，目前AI 仍处于试验阶段，面临着诸多发展瓶颈。首先，高质量的图像对AI至关重要，目前受限于复杂的医疗场景和不均质的图像质量，图像数据标准化程度低，目前的AI算法仍不能满足高标准医疗要求；其次，模型的稳健性和通用性是影响其在临床中应用的重要因素，未来，也许通过增加研究数据量和标准化AI工作流程能够改善；最后，DL需要大量的数据进行训练，而直肠是具有蠕动的管状结构，高质量的训练数据采集是一个大问题，且目前仍然无法定性地解释DL 特征的含义。与此同时，由于“黑匣子”问题，AI 的临床应用进展缓慢。因此，AI 在RC 中的临床应用仍然存在挑战。

AI 的最终目标是实现临床应用，但并不意味着取代临床医生和临床工作流程，而是减轻临床医生的负担，提供有用信息，以辅助临床实现个性化治疗。相信在不久的将来，能通过规范AI流程，打破数据之间的壁垒，提高模型的泛化性，最终将AI应用于临床，从而更大程度地推动结直肠学科的进步，为更多患者提供更高效精准、个性化的医疗服务。

作者利益冲突声明：全体作者均声明无利益冲突。

作者贡献声明：杨军构思和设计本综述，对稿件重要内容进行了修改，支持性贡献，获得了国家自然科学基金项目资助；朱钰起草和撰写稿件，获取、分析或解释本研究的数据；欧阳治强，单海燕，杨露，褚吉祥，廖承德，柯腾飞获取、分析或解释本研究的数据，对稿件重要内容进行了修改；廖承德获得了云南省卫生健康委员会医学学科带头人基金项目资助；全体作者都同意发表最后的修改稿，同意对本研究的所有方面负责，确保本研究的准确性和诚信。