0 引言

       結(jié)直腸癌（colorectal cancer, CRC）已經(jīng)成為危害生命健康的主要負(fù)擔(dān)之一，在部分發(fā)達(dá)國(guó)家50歲以下人群中直腸癌發(fā)病率以每年1%~4%的速度增長(zhǎng)[1]，在我國(guó)，CRC位居惡性腫瘤發(fā)病率第二位[2]，死亡率排第四位，從性別分布來(lái)看，男性發(fā)病率和女性死亡率均高居惡性腫瘤第二位[3]。隨著檢查技術(shù)的進(jìn)步，CRC的早期發(fā)現(xiàn)和治療已成為可能，患者的生存率得到了提高[4]。但臨床觀察發(fā)現(xiàn)，不同患者的預(yù)后仍存在差異，這促使研究者探索新的預(yù)后因素。

       腫瘤出芽（tumor budding, TB）作為重要的病理學(xué)指標(biāo)，與直腸癌患者的預(yù)后密切相關(guān)，美國(guó)癌癥聯(lián)合委員會(huì)（American Joint Committee on Cancer, AJCC）/國(guó)際抗癌聯(lián)盟（Union for International Cancer Control, UICC）癌癥分期指南已將TB列為直腸癌的附加預(yù)后因素[5]。有相關(guān)研究表明，在直腸癌患者中，TB分級(jí)與神經(jīng)浸潤(rùn)、脈管侵犯、遠(yuǎn)處轉(zhuǎn)移、復(fù)發(fā)率和死亡率均呈顯著相關(guān)[6]。然而目前TB的評(píng)估主要依賴于病理，但病理活檢有創(chuàng)、昂貴并會(huì)受到腫瘤時(shí)空異質(zhì)性的限制，且小活檢樣本可能無(wú)法準(zhǔn)確反映整個(gè)腫瘤的組織學(xué)特征[7]。因此，術(shù)前評(píng)估TB分級(jí)對(duì)于精準(zhǔn)識(shí)別預(yù)后不良的患者群體、制定個(gè)性化治療方案、改善患者預(yù)后具有重要臨床意義。

       近年來(lái)，影像技術(shù)及人工智能在術(shù)前直腸癌TB評(píng)估中發(fā)展迅速。擴(kuò)散峰度成像（diffusion kurtosis imaging, DKI）通過非高斯擴(kuò)散模型提升了微觀結(jié)構(gòu)檢測(cè)敏感度；體素內(nèi)不相干運(yùn)動(dòng)（intravoxel incoherent movement, IVIM）成像通過雙指數(shù)模型補(bǔ)充微循環(huán)功能信息；動(dòng)態(tài)對(duì)比增強(qiáng)MRI（dynamic contrast enhanced MRI, DCE-MRI）能評(píng)估病灶微血管系統(tǒng)特性，反映血管的通透性及組織灌注水平；酰胺質(zhì)子轉(zhuǎn)移加權(quán)（amide proton transfer weighted, APTw）成像通過檢測(cè)內(nèi)源性蛋白質(zhì)實(shí)現(xiàn)分子水平評(píng)估；影像組學(xué)實(shí)現(xiàn)多模態(tài)特征量化整合；深度學(xué)習(xí)（deep learning, DL）通過自適應(yīng)特征學(xué)習(xí)優(yōu)化分析流程。以上技術(shù)被應(yīng)用于直腸癌TB的術(shù)前評(píng)估，并取得了良好的預(yù)測(cè)價(jià)值。然而，當(dāng)前仍面臨一些挑戰(zhàn)，如成像時(shí)間長(zhǎng)、易受偽影影響、成像參數(shù)的標(biāo)準(zhǔn)化和可重復(fù)性差、分辨率不足、影像組學(xué)特征的臨床驗(yàn)證不足，以及人工智能算法的可解釋性差等。未來(lái)的發(fā)展方向包括成像技術(shù)的優(yōu)化、多模態(tài)影像技術(shù)的融合以及基于大數(shù)據(jù)的影像組學(xué)研究等。近1~2年未見相關(guān)綜述涉及這一領(lǐng)域，因此，本綜述旨在系統(tǒng)梳理MRI技術(shù)及人工智能在直腸癌TB術(shù)前評(píng)估中的應(yīng)用現(xiàn)狀，分析其優(yōu)勢(shì)與挑戰(zhàn)，以期為未來(lái)研究提供方向。

1 直腸癌TB相關(guān)病理及臨床意義

       TB是各種高度惡性的實(shí)體腫瘤的常見病理學(xué)指標(biāo)，通常是指存在于腫瘤浸潤(rùn)前緣、散在的呈未分化形態(tài)的單個(gè)腫瘤細(xì)胞或由4個(gè)以內(nèi)腫瘤細(xì)胞構(gòu)成的小灶狀腫瘤細(xì)胞群[8]。TB是腫瘤微環(huán)境的一部分，并與上皮-間質(zhì)轉(zhuǎn)化（epithelial-mesenchymal transition, EMT）相關(guān)。EMT是上皮細(xì)胞失去粘附性并獲得間質(zhì)細(xì)胞特性，進(jìn)而獲得遷移和侵襲能力的過程，這一過程在腫瘤發(fā)展中起著關(guān)鍵作用，使腫瘤細(xì)胞能夠侵入周圍基質(zhì)，形成促進(jìn)腫瘤生長(zhǎng)和轉(zhuǎn)移的微環(huán)境。

       有相關(guān)研究表明，與低級(jí)別TB（1~2級(jí)）患者相比，高級(jí)別TB（3級(jí)）患者表現(xiàn)出更高的血管浸潤(rùn)率（28.2% vs. 15.3%）、靜脈浸潤(rùn)率（25.6% vs. 8.5%）和遠(yuǎn)處轉(zhuǎn)移率（33.3% vs. 5.0%）[6]。YAMADERA等[9]研究者通過對(duì)兩個(gè)獨(dú)立隊(duì)列（分別為203例和346例CRC患者）的研究發(fā)現(xiàn)，在低級(jí)別TB患者中，接受輔助治療組的腫瘤特異性生存率優(yōu)于單純手術(shù)組，而高級(jí)別TB患者并未從化療中獲益。因此在術(shù)前有效識(shí)別高級(jí)別TB個(gè)體有助于指導(dǎo)臨床治療方案的制訂。

2 MRI技術(shù)評(píng)估直腸癌TB的價(jià)值

       近年來(lái)，功能MRI技術(shù)取得了顯著進(jìn)展，并已成為直腸癌基線分期和治療計(jì)劃制定的關(guān)鍵組成部分[10]。在評(píng)估原發(fā)腫瘤和局部淋巴結(jié)的基礎(chǔ)上，還可通過檢測(cè)高風(fēng)險(xiǎn)特征來(lái)輔助進(jìn)行風(fēng)險(xiǎn)分層[11]，從而優(yōu)化治療策略。目前，關(guān)于直腸癌TB的術(shù)前評(píng)估受到越來(lái)越多的關(guān)注。

2.1 擴(kuò)散加權(quán)成像及其相關(guān)技術(shù)

2.1.1 高級(jí)擴(kuò)散序列

       IVIM通過使用多b值，能夠?qū)⑺肿蛹兇獾臄U(kuò)散運(yùn)動(dòng)與灌注相關(guān)的偽擴(kuò)散效應(yīng)區(qū)分開來(lái)，從而無(wú)需依賴對(duì)比劑即可評(píng)估組織灌注情況[12]。有研究發(fā)現(xiàn)[13]，IVIM模型具有很高的可重復(fù)性，由于其參數(shù)穩(wěn)健，可以作為一種可靠的定量工具。朱麗平等[14]研究發(fā)現(xiàn)單純擴(kuò)散系數(shù)（D）和灌注分?jǐn)?shù)（f）與直腸癌TB等級(jí)呈負(fù)相關(guān)（P<0.05）；參數(shù)D能夠特異性表征水分子在組織內(nèi)的真實(shí)擴(kuò)散特性，中高級(jí)別TB組D值較低的原因可能是高級(jí)別組腫瘤細(xì)胞密度更高，導(dǎo)致細(xì)胞外間隙縮小，限制了水分子的自由擴(kuò)散運(yùn)動(dòng)，此外，腫瘤微環(huán)境改變可能進(jìn)一步降低局部微循環(huán)的灌注速度，導(dǎo)致D值減低[15]。與此同時(shí)，中高級(jí)別TB組腫瘤內(nèi)新生血管生成活躍，導(dǎo)致新生血管密度過高，且結(jié)構(gòu)異常[16]，加上腫瘤間質(zhì)高壓狀態(tài)，共同導(dǎo)致血管成熟障礙，從而腫瘤局部出現(xiàn)微小壞死區(qū)，最終導(dǎo)致局部微區(qū)域灌注不足[17]，在影像上表現(xiàn)為f減低。在朱麗平等[14]的研究中，表觀擴(kuò)散系數(shù)（apparent diffusion coefficient, ADC）值與TB等級(jí)呈正相關(guān)趨勢(shì)，而灌注相關(guān)擴(kuò)散系數(shù)（D*）值與TB等級(jí)呈負(fù)相關(guān)趨勢(shì)（P>0.05），這可能與TB灶內(nèi)血流速度異質(zhì)性（快-慢血流混合）導(dǎo)致D*擬合誤差有關(guān)。D*反映的是微血管內(nèi)血流的偽擴(kuò)散效應(yīng)，其值受血流速度、血管幾何結(jié)構(gòu)（如血管直徑、迂曲度）及血流方向性的影響。盡管IVIM技術(shù)在直腸癌TB評(píng)估中顯示出潛力，但在實(shí)際應(yīng)用中仍面臨諸多挑戰(zhàn)。IVIM成像對(duì)運(yùn)動(dòng)偽影較為敏感，為解決這一問題，壓縮感知（compressed sensing, CS）技術(shù)通過隨機(jī)欠采樣k空間數(shù)據(jù)并結(jié)合稀疏重建算法（如迭代優(yōu)化），可在減少掃描時(shí)間的同時(shí)保留圖像信噪比。HUANG等[18]提出一種基于核化總差分曲線的IVIM參數(shù)重建方法，該方法獲得的IVIM參數(shù)估計(jì)值均接近參考值，可以有效降低偽擴(kuò)散系數(shù)的高估現(xiàn)象，并提升IVIM參數(shù)圖的質(zhì)量。此外，參數(shù)估計(jì)的不確定性也是影響IVIM技術(shù)應(yīng)用的重要因素，貝葉斯擬合等先進(jìn)算法可通過引入先驗(yàn)分布約束參數(shù)范圍，優(yōu)化參數(shù)估計(jì)，從而提高結(jié)果的可靠性。

       DKI較擴(kuò)散加權(quán)成像（diffusion-weighted imaging, DWI）能更準(zhǔn)確表征生物組織內(nèi)水分子的非高斯擴(kuò)散特性，具有更高的精確度和敏感度，從而更敏感地反映腫瘤微觀結(jié)構(gòu)的復(fù)雜性變化，為疾病的精準(zhǔn)量化評(píng)估提供優(yōu)越的影像學(xué)依據(jù)[19]。陳安良等[20]回顧性納入113例直腸癌患者，發(fā)現(xiàn)ADC、平均擴(kuò)散系數(shù)（mean diffusivity, MD）、平均峰度系數(shù)（mean kurtosis, MK）預(yù)測(cè)TB分級(jí)的受試者工作特征曲線下面積（area under the curve, AUC）分別為0.805、0.816、0.880，研究表明MK預(yù)測(cè)直腸癌TB等級(jí)的診斷效能優(yōu)于ADC及MD，差異具有統(tǒng)計(jì)學(xué)意義（P<0.05）。MK值與腫瘤內(nèi)部復(fù)雜性呈正相關(guān)，高級(jí)別TB組腫瘤組織結(jié)構(gòu)復(fù)雜，異質(zhì)性明顯，故其MK值高。ZHOU等[13]研究發(fā)現(xiàn)，MK是評(píng)估直腸癌惡性程度有前景的生物標(biāo)志物，其升高與分化不良、淋巴結(jié)轉(zhuǎn)移（lymph node metastasis, LNM）和壁外血管侵犯（extramural venous invasion, EMVI）相關(guān)，這些侵襲性特征正是高級(jí)別TB的典型病理表現(xiàn)。雖然DKI能更精準(zhǔn)表征微觀結(jié)構(gòu)，但其臨床應(yīng)用仍受限于較長(zhǎng)的掃描時(shí)間（需要多b值采集）以及復(fù)雜的后處理[21]。有研究提出了一種基于DL的方法[22]，使用DKI-Net模型和DKI-Transformer模型來(lái)估計(jì)DKI衍生的指標(biāo)，DKI-Net模型利用殘差特性提取準(zhǔn)確且豐富的特征信息塊，并精確估計(jì)體素，而DKI-Transformer模型能夠提取全局體素相關(guān)特征，兩者結(jié)合可顯著縮短處理時(shí)間，同時(shí)保持較高的結(jié)構(gòu)相似性。同時(shí)，ROI勾畫對(duì)MK值影響顯著，直腸癌TB灶常為局灶性分布，而DKI體素較大，易受部分容積效應(yīng)干擾，建議結(jié)合高分辨率T2WI引導(dǎo)靶向勾畫。未來(lái)研究需著重開發(fā)人工智能自動(dòng)化分析流程，以進(jìn)一步挖掘DKI數(shù)據(jù)中的潛在信息，為直腸癌的精準(zhǔn)診斷和治療提供更有力的支持。

2.1.2 b閾值圖

       基于DWI圖像生成的b閾值圖是一種新型擴(kuò)散對(duì)比成像技術(shù)[23]。在前列腺癌、乳腺癌和直腸癌病灶顯影中展現(xiàn)出優(yōu)于傳統(tǒng)DWI的成像效果，能提升病灶與正常組織的信號(hào)對(duì)比度[24, 25]，提供了更高的對(duì)比噪聲比（contrast-to-noise ratio, CNR）。該方法作為DWI和ADC的重要補(bǔ)充，改進(jìn)了直腸腫瘤的可視化和檢測(cè)。在CHEN等[26]的研究中，利用b閾值圖和ADC圖來(lái)術(shù)前評(píng)估TB分級(jí)，納入51例局部進(jìn)展期直腸癌（locally advanced rectal cancer, LARC）患者，結(jié)果發(fā)現(xiàn)b閾值圖評(píng)估直腸癌TB分級(jí)的AUC顯著高于ADC圖（0.914 vs. 0.726；P=0.048），且與TB分級(jí)呈顯著正相關(guān)（P<0.05）。

       研究表明，b閾值圖有更優(yōu)的成像效果、更高的信號(hào)對(duì)比度及更高的診斷效能。但是，不同研究在b值選取及ROI勾畫等方面存在差異，導(dǎo)致b閾值圖參數(shù)的穩(wěn)定性和可重復(fù)性受到影響。其次，b閾值圖不是常規(guī)MRI序列之一，且圖像分辨率不如T2WI序列，故其應(yīng)用受到限制。未來(lái)可開發(fā)高分辨率DWI序列以提升b閾值圖質(zhì)量，推動(dòng)臨床實(shí)用性。再者，CHEN等[26]的研究樣本量較小且為單中心研究，存在選擇偏倚風(fēng)險(xiǎn)，未來(lái)的研究需要更大規(guī)模樣本的多中心前瞻性研究來(lái)驗(yàn)證b閾值圖的價(jià)值。

2.2 灌注與代謝成像

2.2.1 DCE-MRI

       DCE-MRI通過利用快速掃描序列，對(duì)注入對(duì)比劑后的感興趣區(qū)進(jìn)行連續(xù)掃描，并結(jié)合后處理技術(shù)獲取多種灌注參數(shù)，作為一種功能成像技術(shù)，其能評(píng)估正常組織及病灶微血管系統(tǒng)特性，同時(shí)反映血管的通透性及組織灌注水平[27]。周振等[28]對(duì)72例LARC患者的回顧性研究表明，DCE-MRI灌注參數(shù)中正性增強(qiáng)積分（PEI）和最大上升斜率（MSI）與TB等級(jí)呈正相關(guān)（P<0.05）。高級(jí)別TB提示腫瘤更具侵襲性，在病理上表現(xiàn)為更顯著的細(xì)胞異型性，細(xì)胞向梭形轉(zhuǎn)變，呈現(xiàn)間充質(zhì)樣表型，此時(shí)腫瘤伴隨著更高的增殖活性和細(xì)胞密度增加[29]，這種高代謝狀態(tài)促使腫瘤新生血管形成，導(dǎo)致微循環(huán)血容量和血流速度增加，從而在DCE-MRI上表現(xiàn)為PEI和MSI的特征性升高。目前，基于DCE-MRI對(duì)TB的研究仍較為有限，其臨床應(yīng)用價(jià)值尚需通過大樣本多中心的研究進(jìn)一步驗(yàn)證。該技術(shù)在實(shí)際臨床應(yīng)用中仍存在一些挑戰(zhàn)。DCE-MRI的掃描參數(shù)如對(duì)比劑的注射速度、劑量及掃描時(shí)間間隔等對(duì)結(jié)果影響均較大。例如，對(duì)比劑注射速度過快可能導(dǎo)致對(duì)比劑在組織中分布不均勻，影響灌注參數(shù)的準(zhǔn)確性[30]。后處理過程中，動(dòng)脈輸入函數(shù)（artery input function, AIF）的定義方法和藥代動(dòng)力學(xué)模型的選擇等步驟都可能引入誤差，AIF的準(zhǔn)確性直接影響到定量參數(shù)的計(jì)算，而手動(dòng)勾畫AIF可能存在主觀性誤差[31]。與此同時(shí)，DCE-MRI數(shù)據(jù)處理涉及多個(gè)步驟，如圖像校正、ROI選取及定量參數(shù)計(jì)算等。目前，這些步驟的處理方法尚未完全統(tǒng)一，不同的研究可能采用不同的處理流程，導(dǎo)致結(jié)果難以比較。因此，未來(lái)需要將掃描設(shè)備和參數(shù)進(jìn)行標(biāo)準(zhǔn)化，建立統(tǒng)一的數(shù)據(jù)處理流程，包括一致的圖像校正方法、ROI選取標(biāo)準(zhǔn)和定量參數(shù)計(jì)算公式。

2.2.2 APTw

       APTw成像基于化學(xué)交換飽和轉(zhuǎn)移技術(shù)[32]，是一種在分子水平上實(shí)現(xiàn)的MRI方法，可無(wú)創(chuàng)評(píng)估病灶內(nèi)游離蛋白質(zhì)的含量，并通過對(duì)比腫瘤與正常組織中游離蛋白質(zhì)含量的差異來(lái)分析病灶[33]。ZHANG等[34]首次提出該技術(shù)時(shí)指出，由于游離蛋白質(zhì)及多肽中的酰胺基團(tuán)含有NH基團(tuán)——這些基團(tuán)由氫質(zhì)子構(gòu)成，因此可通過APT方法對(duì)內(nèi)源性運(yùn)動(dòng)蛋白及多肽中的酰胺質(zhì)子進(jìn)行半定量檢測(cè)。在杜云霞等[35]的研究中發(fā)現(xiàn)APT、ADC及兩者聯(lián)合評(píng)估直腸癌TB等級(jí)的AUC分別為0.916、0.821、0.918，APT方法顯示出良好的預(yù)測(cè)效能。此外，XIE等[32]研究發(fā)現(xiàn)通過K均值聚類（K=5）對(duì)APTw圖像進(jìn)行亞區(qū)域分析，可有效區(qū)分直腸癌腫瘤異質(zhì)性，其提取的直方圖特征對(duì)TB分級(jí)具有良好的預(yù)測(cè)價(jià)值（AUC=0.92）。以上研究表明APTw-MRI技術(shù)具有較高的預(yù)測(cè)效率，但APTw成像在實(shí)際操作中還存在一些困難，射頻飽和模塊的參數(shù)設(shè)置對(duì)APTw信號(hào)的強(qiáng)度和對(duì)比度有顯著影響。不同的射頻飽和方法、飽和時(shí)間和射頻場(chǎng)強(qiáng)度等參數(shù)的選擇都需要根據(jù)具體的臨床應(yīng)用進(jìn)行優(yōu)化[36]。同時(shí)，數(shù)據(jù)采集和處理過程中的噪聲及運(yùn)動(dòng)偽影等也會(huì)對(duì)成像質(zhì)量產(chǎn)生影響[37]。因此，未來(lái)的研究需要進(jìn)一步優(yōu)化成像方案、開發(fā)先進(jìn)的成像算法，在縮短成像時(shí)間的同時(shí)提供足夠的空間分辨率和信噪比，提高臨床應(yīng)用的可行性，降低對(duì)設(shè)備性能的依賴。

3 人工智能

3.1 傳統(tǒng)影像組學(xué)

       影像組學(xué)是一種從醫(yī)學(xué)影像中高通量提取定量特征的技術(shù)。它通過挖掘圖像中超出人眼識(shí)別范圍的潛在信息，揭示病灶的定量生物學(xué)特征。通過對(duì)這些影像特征的深入分析，可以量化腫瘤微環(huán)境，從而實(shí)現(xiàn)對(duì)CRC的無(wú)創(chuàng)、動(dòng)態(tài)、多病灶的早期診斷、療效評(píng)估及預(yù)后預(yù)測(cè)[38]。因此，利用MRI影像組學(xué)技術(shù)構(gòu)建預(yù)測(cè)模型，以術(shù)前評(píng)估直腸癌TB等級(jí)，具有較高的可行性和臨床應(yīng)用潛力。

       LI等[39]通過T2WI、CE-T1WI、DWI構(gòu)建影像組學(xué)模型來(lái)預(yù)測(cè)直腸癌TB等級(jí)，得出多序列組合的影像組學(xué)模型性能最佳，AUC為0.796，在驗(yàn)證集中的準(zhǔn)確率達(dá)到81.2%，展示了良好的預(yù)測(cè)效能，但他的研究局限于LARC。PENG等[40]的研究進(jìn)一步擴(kuò)大了研究范圍，納入了所有分期的直腸癌患者，發(fā)現(xiàn)整合影像組學(xué)特征和MRI語(yǔ)義特征的聯(lián)合模型顯示出優(yōu)良的預(yù)測(cè)效能，其AUC在訓(xùn)練集和驗(yàn)證集中分別為0.961和0.891，決策曲線分析顯示，在絕大多數(shù)閾值概率下，組合模型的凈效益均優(yōu)于其他模型，能在個(gè)體化治療決策中提供支持。

       此外，在算法優(yōu)化方面，QU等[41]的研究將所選影像組學(xué)特征分別與八種分類算法結(jié)合使用：邏輯回歸（LR）、K-最近鄰（KNN）、極端隨機(jī)樹（ET）、隨機(jī)森林（RF）、極限梯度提升（XGBoost）、支持向量機(jī)（SVM）、輕量級(jí)梯度提升機(jī)（LightGBM）以及多層感知器（MLP），結(jié)果發(fā)現(xiàn)SVM的診斷性能最好，其在驗(yàn)證集中的準(zhǔn)確率、敏感度和特異度分別為71.3%、57.9%和80.4%，這與LI等[39]的研究一致，這可能是由于SVM算法具有魯棒性、穩(wěn)定性和良好的泛化能力，能夠在一定程度上避免過擬合。

       不難發(fā)現(xiàn)，基于MRI的影像組學(xué)模型在預(yù)測(cè)直腸癌的TB等級(jí)中展現(xiàn)出顯著潛力，這可能歸因于影像組學(xué)能夠定量分析并關(guān)聯(lián)與TB分級(jí)相關(guān)的圖像特征，從而通過復(fù)雜的計(jì)算方法捕捉到肉眼無(wú)法區(qū)分的腫瘤異質(zhì)性因素。然而，目前多數(shù)研究在實(shí)際應(yīng)用中仍面臨諸多挑戰(zhàn)。首先，不同中心MRI設(shè)備參數(shù)差異（1.5 T vs. 3.0 T）、層厚（0.8~3.0 mm）及掃描協(xié)議（DWI序列b值范圍）導(dǎo)致特征可比性下降。其次，影像組學(xué)研究通常包括數(shù)據(jù)收集、圖像分割、特征提取和模型建立四個(gè)階段。在數(shù)據(jù)收集階段，為避免過多特征組建的模型產(chǎn)生過擬合現(xiàn)象，數(shù)據(jù)集應(yīng)盡可能包含更多的樣本量，然而，目前大多數(shù)研究為單中心、回顧性研究，普遍存在樣本量較小的問題，且缺乏前瞻性外部驗(yàn)證。在特征提取階段，采用不同的圖像預(yù)處理及圖像重建方法，可能得到不同的影像組學(xué)特征。COBO等[42]的研究表明，在CT影像中，重建內(nèi)核或切片厚度等掃描參數(shù)會(huì)影響影像組學(xué)紋理特征，由此凸顯了圖像標(biāo)準(zhǔn)化的重要性。因此，制定統(tǒng)一掃描協(xié)議，擴(kuò)大多中心前瞻性驗(yàn)證，開發(fā)自動(dòng)化分割算法，整合多模態(tài)MRI參數(shù)（如APTw、DKI及IVIM）構(gòu)建綜合評(píng)估模型，有望進(jìn)一步提高術(shù)前評(píng)估直腸癌TB分級(jí)的準(zhǔn)確性。

3.2 DL

       最近的研究表明[43]，與傳統(tǒng)的放射組學(xué)方法相比，基于DL的數(shù)據(jù)驅(qū)動(dòng)方法可以精確模擬跨成像模態(tài)的特定領(lǐng)域特征，并實(shí)現(xiàn)不同模態(tài)間的圖像合成。此外，DL能夠通過遷移適配將特定任務(wù)中獲得的知識(shí)遷移至相關(guān)任務(wù)，從而提升目標(biāo)任務(wù)的性能。這些優(yōu)勢(shì)極大地推動(dòng)了醫(yī)學(xué)圖像合成技術(shù)的臨床應(yīng)用，并顯著提高了合成圖像的性能表現(xiàn)[44]。這樣就能在分子水平上更全面地探索腫瘤生物學(xué)特征，評(píng)估更深層次的組織病理特征，從而提供更好的預(yù)測(cè)性能和泛化能力[45]。一項(xiàng)薈萃分析發(fā)現(xiàn)，在評(píng)估CRC患者LNM方面的性能上，與傳統(tǒng)影像組學(xué)模型相比，使用DL模型作為診斷工具時(shí)，其AUC高達(dá)0.917[46]，證明基于DL的圖像分割和特征提取技術(shù)可以提高影像組學(xué)預(yù)測(cè)模型的準(zhǔn)確性和可重復(fù)性。

       卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks, CNN）是DL應(yīng)用中的主要算法模型，隨著其在醫(yī)學(xué)圖像中的應(yīng)用，VGGNet、ResNet、GoogleNet和DenseNet等一系列里程碑式CNN模型相繼涌現(xiàn)[47]。LIU等[48]構(gòu)建了一個(gè)基于CT及MRI多模態(tài)深度遷移學(xué)習(xí)模型方法來(lái)術(shù)前評(píng)估直腸癌TB狀態(tài)，并將其與臨床模型相結(jié)合，集成模型實(shí)現(xiàn)了最佳性能，內(nèi)部驗(yàn)證隊(duì)列的AUC為0.898，外部驗(yàn)證隊(duì)列的AUC為0.868，在研究中采用六種遷移學(xué)習(xí)模型（包括DenseNet 121、ResNet 18、ResNet 34、ResNet 50、ResNet 101和Vgg11），在這些模型中，Vgg11模型相較于其他經(jīng)典CNN模型展現(xiàn)出更強(qiáng)的泛化能力和預(yù)測(cè)性能，可能是由于Vgg11模型相對(duì)簡(jiǎn)單的結(jié)構(gòu)和較少的參數(shù)量，有助于降低小樣本數(shù)據(jù)集或簡(jiǎn)單任務(wù)中的過擬合風(fēng)險(xiǎn)，這一特性使其在實(shí)際臨床應(yīng)用中可能更具優(yōu)勢(shì)[49]。此外，LIU等[48]還通過Grad-CAM可視化技術(shù)發(fā)現(xiàn)，Vgg11模型能有效凸顯直腸癌圖像中的腫瘤邊界模糊和形狀不規(guī)則等TB相關(guān)特征。TANG等[50]分別從術(shù)前基于CT的細(xì)胞外容積（extracellular volume fraction, ECV）參數(shù)圖像和靜脈期圖像中提取并篩選DL特征和手工影像組學(xué)（handcrafted radiomics, HCR）特征，其中DL特征利用ResNet 50模型提取，通過整合兩組圖像中的DL特征和HCR特征，建立了DL和影像組學(xué)模型來(lái)術(shù)前預(yù)測(cè)TB等級(jí)，研究表明與僅依賴HCR或DL特征的模型相比，結(jié)合這兩個(gè)特征的模型具有更強(qiáng)的診斷能力，在訓(xùn)練隊(duì)列和測(cè)試隊(duì)列中，AUC值分別為0.976和0.976，優(yōu)于基于單純DL或HCR的模型（P<0.05），可以更全面地反映直腸癌病灶的異質(zhì)性。與既往基于MRI的研究不同，TANG等[50]創(chuàng)新性地采用了基于ECV參數(shù)的DL模型來(lái)預(yù)測(cè)直腸癌TB等級(jí)，這可能與惡性腫瘤組織血管外ECV分?jǐn)?shù)與腫瘤侵襲性密切相關(guān)，其能通過精確定量病灶區(qū)域的細(xì)胞外間質(zhì)含量[51]，來(lái)客觀反映腫瘤微環(huán)境特征，為術(shù)前無(wú)創(chuàng)評(píng)估直腸癌TB分級(jí)提供了新思路。

       Transformer架構(gòu)是一種基于自注意力機(jī)制的DL模型架構(gòu)，最初應(yīng)用于自然語(yǔ)言處理領(lǐng)域，利用自注意力機(jī)制捕捉長(zhǎng)距離依賴關(guān)系，使模型能夠關(guān)注輸入序列中的所有元素，從而獲得更好的性能[52]。在JIA等[53]關(guān)于評(píng)估直腸癌TB分級(jí)的研究中，采用CrossFormer作為DL模型的核心，作為一種改進(jìn)的Transformer架構(gòu)，CrossFormer創(chuàng)新性地引入了跨尺度注意力機(jī)制與分層特征融合策略，通過動(dòng)態(tài)調(diào)節(jié)感受野并建立不同層級(jí)間的長(zhǎng)程依賴關(guān)系，該架構(gòu)顯著提升了模型捕捉多尺度特征的能力。JIA等[53]的研究基于3D腫瘤分割掩模，通過提取最大層面及其相鄰上下層影像數(shù)據(jù)構(gòu)建ROI，形成三通道2.5D輸入方法，這種融合相鄰層面信息的輸入策略，不僅使模型能更有效地捕捉空間上下文特征，顯著提升對(duì)復(fù)雜解剖結(jié)構(gòu)的表征能力，同時(shí)降低了計(jì)算復(fù)雜性，使其適用于大規(guī)模影像數(shù)據(jù)處理[54]，在其研究中，集成模型表現(xiàn)出優(yōu)異的性能，在內(nèi)部驗(yàn)證隊(duì)列中AUC值為0.868，在外部驗(yàn)證隊(duì)列中為0.839。與Vgg11等傳統(tǒng)CNN相比，CrossFormer是一種基于自注意力的網(wǎng)絡(luò)架構(gòu)，憑借其自適應(yīng)特征加權(quán)和全局建模能力，可以有效地捕獲T2WI和DWI圖像中的遠(yuǎn)程空間信息并進(jìn)行多模態(tài)特征學(xué)習(xí)。但是JIA等[53]的研究只使用了2.5D輸入，這不可避免地導(dǎo)致了一些圖像信息的遺漏。相比之下，LIU等[55]采用了3D ViT（vision transformer）DL模型來(lái)術(shù)前預(yù)測(cè)直腸癌TB分級(jí)，3D ViT模型通過直接處理3D MRI數(shù)據(jù)，克服了傳統(tǒng)2D切片方法導(dǎo)致的空間信息丟失問題。其獨(dú)特的自注意力機(jī)制能夠捕捉腫瘤在三維空間中的全局特征，為TB分級(jí)提供了更精準(zhǔn)的DL特征，其在訓(xùn)練隊(duì)列、內(nèi)部測(cè)試隊(duì)列和外部測(cè)試隊(duì)列中的AUC分別為0.896、0.796和0.762，均高于組學(xué)模型0.754、0.626和0.614。以上研究表明Transformer架構(gòu)及其改進(jìn)版本（如CrossFormer）在直腸癌TB評(píng)估中展現(xiàn)了優(yōu)越的診斷效能。

       DL在直腸癌TB評(píng)估中展現(xiàn)出優(yōu)勢(shì)，其通過自動(dòng)特征提取和多模態(tài)數(shù)據(jù)融合能力，已實(shí)現(xiàn)優(yōu)異的預(yù)測(cè)性能。然而，臨床轉(zhuǎn)化仍面臨數(shù)據(jù)依賴性、計(jì)算成本高和可解釋性差等挑戰(zhàn)。ZHOU等[56]指出，隨著數(shù)據(jù)規(guī)模的增長(zhǎng)和任務(wù)復(fù)雜性的提高，CNN架構(gòu)逐漸暴露出計(jì)算效率和處理能力的瓶頸，例如大規(guī)模數(shù)據(jù)集訓(xùn)練耗時(shí)過長(zhǎng)、特征提取效果受限以及在復(fù)雜任務(wù)中模型泛化能力不足等問題，為此，ZHOU等[56]提出了一種優(yōu)化的多流CNN（multi-stream CNN, MSCNN）模型，通過引入路徑注意力機(jī)制和特征共享模塊，顯著提高了路徑間的信息交互和特征融合效率，結(jié)果表明，在許多指標(biāo)上優(yōu)于當(dāng)前主流模型，在醫(yī)學(xué)圖像數(shù)據(jù)集上，其抗噪聲性、遮擋敏感性和樣本攻擊抗性分別為0.931、0.950和0.709，為提高DL模型的效率提供了新的技術(shù)支持。此外，開發(fā)可視化工具（如Grad-CAM）可增強(qiáng)模型透明度。未來(lái)，臨床驗(yàn)證研究需開展大規(guī)模多中心前瞻性研究，以全面評(píng)估模型的泛化能力和穩(wěn)定性。同時(shí)，應(yīng)建立統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)和質(zhì)量控制體系，規(guī)范數(shù)據(jù)收集、處理和分析流程。此外，還需加強(qiáng)模型臨床實(shí)用性評(píng)估，探索其與現(xiàn)有醫(yī)療信息系統(tǒng)的整合。最后，應(yīng)關(guān)注模型的持續(xù)更新和優(yōu)化，以快速將新技術(shù)應(yīng)用于臨床實(shí)踐。

4 各技術(shù)的對(duì)比分析

       直腸癌TB的術(shù)前評(píng)估體系中，DKI通過非高斯擴(kuò)散模型突破了傳統(tǒng)DWI的局限，可更敏感地檢測(cè)直腸癌微觀結(jié)構(gòu)異質(zhì)性，但其對(duì)磁場(chǎng)均勻性和信噪比的高要求促使了IVIM技術(shù)的引入。IVIM通過雙指數(shù)模型分離擴(kuò)散與灌注參數(shù)，在結(jié)構(gòu)評(píng)估基礎(chǔ)上補(bǔ)充了微循環(huán)功能信息，不過其易受到呼吸運(yùn)動(dòng)干擾，需要通過加速采樣技術(shù)優(yōu)化，參數(shù)估計(jì)的不確定性則需通過貝葉斯擬合等先進(jìn)算法優(yōu)化。DCE-MRI提供了可靠的藥代動(dòng)力學(xué)驗(yàn)證，但受限于對(duì)比劑腎毒性風(fēng)險(xiǎn)和個(gè)體血流差異[57]，其對(duì)比劑依賴性促使無(wú)創(chuàng)替代技術(shù)發(fā)展；與此同時(shí)，APTw通過檢測(cè)內(nèi)源性蛋白質(zhì)實(shí)現(xiàn)了分子水平評(píng)估[33]，與DCE-MRI形成功能-分子互補(bǔ)評(píng)估，不過其對(duì)成像硬件的高要求仍是當(dāng)前技術(shù)瓶頸。在此過程中，影像組學(xué)實(shí)現(xiàn)了多模態(tài)特征的量化整合，而DL則進(jìn)一步通過自適應(yīng)特征學(xué)習(xí)優(yōu)化了分析流程，盡管人工智能存在可解釋性挑戰(zhàn)，但這些技術(shù)的協(xié)同創(chuàng)新正推動(dòng)直腸癌TB評(píng)估從單一參數(shù)向多維度智能診斷轉(zhuǎn)變。未來(lái)需要通過多中心研究驗(yàn)證技術(shù)組合的臨床價(jià)值，最終建立基于TB風(fēng)險(xiǎn)分層的精準(zhǔn)診療體系。

5 不足與展望

       盡管應(yīng)用多模態(tài)MRI技術(shù)和影像組學(xué)評(píng)估直腸癌TB方面已取得一定進(jìn)展，但仍存在一些亟待解決的問題。首先，現(xiàn)有MRI空間分辨率不足難以清晰捕捉微小TB特征，且成像時(shí)間長(zhǎng)，易受偽影影響及成像參數(shù)標(biāo)準(zhǔn)化難以統(tǒng)一。此外，人工智能算法可解釋性差、依賴高質(zhì)量數(shù)據(jù)及計(jì)算成本高。

       為了實(shí)現(xiàn)對(duì)直腸癌TB的精準(zhǔn)評(píng)估，未來(lái)研究需要注意以下方面：（1）優(yōu)化成像技術(shù)，超高場(chǎng)強(qiáng)MRI（7 T及以上）結(jié)合壓縮感知加速技術(shù)有望突破現(xiàn)有分辨率限制，實(shí)現(xiàn)亞毫米級(jí)成像；基于四維流體力學(xué)的磁共振彈性成像（magnetic resonance elastography, MRE）通過量化腫瘤硬度，結(jié)合剪切波算法有望優(yōu)化TB區(qū)域識(shí)別；谷氨酸化學(xué)交換飽和轉(zhuǎn)移成像技術(shù)通過檢測(cè)腫瘤內(nèi)特定代謝物濃度，可反映與TB相關(guān)的蛋白代謝異常。（2）加強(qiáng)構(gòu)建多模態(tài)成像技術(shù)聯(lián)合模型的研究。（3）優(yōu)化影像組學(xué)及DL模型，以提高診斷效能。（4）生境分析技術(shù)可構(gòu)建空間異質(zhì)性圖譜，有望精確定位TB活躍區(qū)域。（5）統(tǒng)一掃描協(xié)議及數(shù)據(jù)處理流程，提高模型的泛化能力。

6 總結(jié)

       直腸癌TB作為一種關(guān)鍵的預(yù)后指標(biāo)，其精準(zhǔn)評(píng)估對(duì)臨床決策具有指導(dǎo)意義。MRI技術(shù)不僅能提供優(yōu)異的軟組織對(duì)比度，更能從微循環(huán)灌注、細(xì)胞密度等多維度解析腫瘤異質(zhì)性。結(jié)合影像組學(xué)高通量提取的定量特征及DL算法，已初步實(shí)現(xiàn)了TB分級(jí)預(yù)測(cè)模型的構(gòu)建，為臨床診斷和預(yù)后提供了有力支持。未來(lái)要實(shí)現(xiàn)臨床常規(guī)應(yīng)用，首先，應(yīng)擴(kuò)大樣本量，構(gòu)建多中心、多樣化的患者隊(duì)列，以充分驗(yàn)證模型的泛化能力，通過統(tǒng)一MRI掃描協(xié)議和特征提取流程提升模型泛化能力；同時(shí)應(yīng)開展多中心前瞻性研究，重點(diǎn)驗(yàn)證模型對(duì)直腸癌TB無(wú)創(chuàng)性評(píng)估的預(yù)測(cè)效能，關(guān)注其對(duì)治療決策和患者預(yù)后的實(shí)際影響；最后，在技術(shù)整合上，應(yīng)探索多模態(tài)數(shù)據(jù)（如APTw、DKI）的深度融合策略，建立基于分子層面的TB風(fēng)險(xiǎn)分層系統(tǒng)，實(shí)現(xiàn)從影像采集到TB自動(dòng)分級(jí)的全流程優(yōu)化。以期為患者提供精準(zhǔn)、個(gè)性化治療策略，進(jìn)而改善預(yù)后。

相關(guān)知識(shí)

實(shí)體腫瘤治療前后影像學(xué)評(píng)估研究進(jìn)展與前景
基于深度學(xué)習(xí)重建和傳統(tǒng)TSE序列在直腸癌磁共振檢查的對(duì)比研究
直腸癌的影像學(xué)特征.pptx
創(chuàng)傷影像學(xué)評(píng)估的手段與策略
直腸磁共振檢查，帶您“長(zhǎng)點(diǎn)腸識(shí)”
腫瘤影像檢查評(píng)估肌肉脂肪變化
醫(yī)學(xué)影像技術(shù)的進(jìn)展與未來(lái)展望
健康評(píng)估影像檢查評(píng)估
醫(yī)學(xué)影像技術(shù)在定位、評(píng)估腫瘤特性和引導(dǎo)手術(shù)中的作用
醫(yī)學(xué)影像科

網(wǎng)址: 多模態(tài)磁共振成像及影像組學(xué)評(píng)估直腸癌腫瘤出芽的研究進(jìn)展 http://www.u1s5d6.cn/newsview1723875.html