基于MRI的人工智能在直腸癌中的應用進展

朱鈺，歐陽治強，單海燕，楊露，褚吉祥，廖承德，柯騰飛，楊軍*

0 前言

結直腸癌是消化系統常見的惡性腫瘤，直腸癌（rectal cancer, RC）約占35%[1]。由于MRI 具有軟組織分辨率高，無電離輻射等優勢，其在RC 治療前分期和治療后評估中起著舉足輕重的作用，能對腫瘤形態及位置、腫瘤分期、淋巴結、壁外血管侵犯（extramural vascular invasion, EMVI）、直腸系膜筋膜受累等細節進行準確評估[2-4]。準確的MRI 評估對RC 患者至關重要，然而，MRI 圖像結果的判讀常受到醫生診斷經驗、業務水平和工作強度的影響，目前，常規MRI 形態學特征評價RC 病情的準確性仍然不足以準確指導制訂治療方案，有待進一步提升。因此，開發一種新型有效的圖像挖掘方法從而實現準確診療仍然是RC領域所面臨的一個挑戰。

人工智能（artificial intelligence, AI）已在醫學圖像分析領域得到了頻繁成功的應用[5-6]，其能夠定量評估影像學特征并自動識別成像數據中的復雜模式[7]。機器學習（machine learning, ML）是AI的一個重要分支，在算法應用方面，主要使用人工神經網絡、支持向量機和核方法等[8]。隨著科學技術的飛速發展，以ML為核心的AI在RC中的應用也逐漸增多。為了幫助讀者更全面地了解當前基于MRI 的AI在RC 中的臨床應用并為將來的研究提供一定參考，本文從多個重要方面進行了綜述。

1 基于MRI的AI在病灶分割中的應用

基于卷積神經網絡（convolutional neural network, CNN）的深度學習（deep learning, DL）方法可以從訓練數據中自動進行特征學習[9]，并已應用于醫學圖像分割。近年來，DL 算法在分割病灶方面受到了廣泛關注并得到了令人印象深刻的結果。手動分割病灶是一個既耗時又主觀的過程，限制了其在臨床實踐中的實用性。然而，基于DL 的腫瘤分割算法比手動分割更客觀高效，并減輕了工作負擔。TREBESCHI 等[9]在訓練集中基于T2WI 和擴散加權成像（diffusion-weighted imaging, DWI）的 多 參 數MRI 訓練CNN 用于分割RC，在獨立驗證集上，CNN 對讀者1和讀者2的骰子相似度系數分別為0.68和0.70，顯示出很高的分割精度，證明了DL 在RC 中進行準確分割的潛力。U-Net 作為一種較受歡迎和成功的生物醫學圖像分割DL 模型，已被證明在生物醫學圖像分割中是有效的[10]。WANG 等[11]使用2D U-Net 算法在T2WI 上對直腸腫瘤進行分割，并計算了骰子相似度系數、杰卡德相似系數、豪斯多夫距離、平均表面距離四個指數來評估自動和手動分割的相似性；AI 模型的四個指標分別為（0.74±0.14）、（0.60±0.16）、（20.44±13.35）和（3.25±1.69）mm；放射科醫生的這 些 指 數 分 別 為（0.71±0.13）、（0.57±0.15）、（14.91±7.62）和（2.67±1.46）mm，表明自動分割和手動分割之間沒有觀察到顯著差異。KNUTH 等[12]收集了來自不同醫院的兩組RC 患者（C1 和C2），同樣利用2D U-Net 架構在T2WI 和DWI 上進行RC 分割；對于C1 隊列，在測試集中T2WI 模型的中位骰子相似度系數為0.77，研究發現加入DWI并沒有進一步提高模型性能（骰子相似度系數=0.76）；基于T2WI 的模型在C1 上訓練并應用于C2 的骰子相似度系數為0.59。由于傳統U-Net 網絡會導致輪廓分割的模糊性，LI等[13]提出了一種基于輪廓預測的改進U-Net 模型用于RC 分割，并在測試集上實現了0.894（語義分割的評價指標MIoU）的平均交集。由于二維分割精度有限，為進一步提高分割精度，ZABIHOLLAHY 等[14]提出了一種3D U-Net 和3D 密集U-Net 架構在T2WI 上來分割RC，結果表明所開發的方法準確、快速且可重現，并且明顯優于其他先進的分割方法。SUI 等[15]提出了一種新的遷移學習協議——基于變換器模型的RC 檢測和分割任務的聯合框架，這種協議可有效地實現腫瘤區域聯合檢測及分割。

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結果，具有較好的臨床應用前景。盡管MRI能更清楚地反映直腸結構和腫瘤位置，但由于直腸是蠕動的管狀結構，在準確分割方面也存在一些挑戰。在應用前，仍需進一步驗證，如果驗證結果可靠，分割效率低、受主觀因素影響大的現狀勢必得到改善。未來開發一個通用模型用于在多個序列上而不僅在單個序列上分割目標區域從而簡化分割過程并節省時間也許是非常有意義的。

2 基于MRI的AI在RC T分期中的應用

術前準確評估RC T分期是臨床診療決策中的關鍵步驟，其中早期RC（T1-2 和N-）的最佳治療方法是全直腸系膜切除術（total mesorectal excision,TME），而局部晚期RC（T3-4和/或N+）的治療策略是新輔助放化療（neoadjuvant chemoradiotherapy, nCRT）后行TME[16-17]。MRI被認為是評估T分期的首選方法[2]。然而，目前T分期的診斷很大程度上依賴于影像醫生的經驗，這可能會導致分期準確率降低。近年來，基于MRI的AI已作為新的方法被用于評估T分期，且目前大多數研究都集中在區分T1/T2 和T3/T4 的二分類問題上。

LU 等[18]基于T2WI 勾畫最小（腫瘤）和最大（腫瘤和腫瘤周圍的模糊區域）ROI 建立了2 個影像組學模型，以區分T1/T2和T3/T4。在驗證集中，最小和最大描繪模型的AUC 分別為0.808 和0.903，均表現出了良好的預測性能，且最大描繪方法在臨床上更有益。而YOU 等[19]基于154 名患者的高分辨率T2WI 和ADC圖，使用支持向量機模型區分T1/T2和T3/T4，在驗證隊列中，高分辨率T2WI、ADC 圖和組合模型的AUC 分別為0.845、0.881 和0.910，且兩個序列聯合應用有助于提高RC 術前診斷的準確性。此外，DL 也被用于T 分期評估。WU 等[20]使用Faster R-CNN 來構建RC T分期自動診斷平臺，結果表明該模型可能是預測RC T 分期有效且客觀的方法。最新一項研究表明，與基于高分辨T2 的AI 模型和放射科專家的視覺評估相比，基于DL 的3D 超分辨率MRI 影像組學模型在預測術前T分期方面具有更優越的性能[21]。

從上述幾項研究不難看出，基于不同ROI和不同MRI 序列的AI 在評估RC 患者T 分期方面表現出了較好的性能，有望成為RC 術前T 分期的重要手段之一。然而，這幾項研究ROI 都是手動勾畫的，這更大程度上取決于影像醫生的個人經驗和感知，難以避免主觀錯誤；其次，大部分研究都基于T2WI 序列，而其他常規序列，如DWI 和增強對于評估T 分期的準確性尚不清楚，有待進一步研究。

3 基于MRI的AI在診斷淋巴結轉移中的應用

淋巴結轉移是RC 患者最常見的轉移途徑，增加了患者局部復發的風險。根據NCCN 指南，RC 患者治療方法的制訂取決于對盆腔淋巴結轉移情況的預判，即先行nCRT 再行手術，還是手術后行輔助治療[17]。臨床上，利用MRI 對轉移性淋巴結的診斷主要基于形態學指標，如淋巴結形狀、大小和信號強度[22]，然而，形態學指標在提高淋巴結分期的準確性方面仍然有限[23]，且不同經驗的放射科醫生在診斷轉移性淋巴結方面存在較大差異，從而導致總體診斷準確度不高。因此，對淋巴結受累情況進行全面、準確的評估對RC 的臨床分期、選擇治療策略和改善預后至關重要。

深度遷移學習是一種AI方法，用于對網絡的大型公共成像數據庫進行預訓練，并提取邊緣、紋理和灰度等特征[24]，適用于醫學圖像分析，尤其是小樣本分析。ZHAO等[25]通過遷移學習為DL框架Mask R-CNN提供輸入，開發和驗證了基于多參數MRI的全自動淋巴結檢測和分割模型。結果顯示模型檢測和分割所需的時間為1.3 s/例，明顯短于放射科醫生的200 s/例；對于淋巴結分割，模型骰子相似度系數在0.81～0.82范圍內。LI 等[26]使用預訓練的DL 模型（Inception-v3）識別和檢測淋巴結狀態，陽性預測值、陰性預測值、敏感度和特異度分別為0.952、0.953、95.3%和95.2%，AUC和準確率分別為0.994 和0.957，表現均優于放射科醫生。LIU 等[27]基于臨床因素和單、多因素影像組學特征建立了五個支持向量機分類模型，以預測RC 中的淋巴結轉移；結合臨床和多因素影像組學特征的模型具有更好的分類性能和診斷準確性（AUC=0.832）。此外，術前準確診斷下段RC 側方淋巴結轉移對于需要行側方LN 清掃的患者非常重要。KASAI等[28]利用ML 創建了一個側方淋巴結轉移預測模型，該模型驗證隊列AUC 為0.903，預測能力明顯高于傳統方法（AUC=0.754），有助于指導臨床是否需要進行側方淋巴結清掃。

基于MRI的AI可以幫助快速檢測和分割淋巴結，提高臨床效率，并較大限度地減少不同年資放射科醫生之間的差異，為淋巴結預測提供更多有價值的信息。

4 基于MRI 的AI 在預測新輔助治療后病理完全緩解中的應用

在全球每年被診斷為RC 的患者中約70%為局部進展期RC（locally advanced RC, LARC）[29]。目前對于LARC 的標準治療方法是nCRT 后行全直腸系膜切除術[17]。然而，在臨床實踐中，從無腫瘤消退到病理完全緩解（pathologic complete response, pCR），個體對nCRT的反應是高度異質性的。先前的研究表明約10%～25%的RC 患者在nCRT 后出現pCR[30]。對于pCR 患者，可實施“等待和觀察”策略，并行嚴密的定期監測[31]，從而避免手術并發癥、永久性造口等問題。然而，目前只能通過術后組織病理評估來確認pCR，因此，迫切需要在術前無創地準確預測pCR，以確定器官保存策略的患者。盡管常規MRI 是nCRT 反應評估的首選方式，但因MRI 評估nCRT 反應的共識相對缺乏[32]，pCR 的視覺評估仍然具有挑戰性。近年來，基于MRI 的影像組學和DL 的發展為評估pCR 創造了新的工具。

與單指數DWI相比，擴散峰度成像可產生更多關于組織結構的信息。由此，ZHANG 等[33]首次提出基于T2WI 和擴散峰度圖像的DL 模型來預測pCR，研究結果表明，訓練集的AUC 為0.99。國內學者[34]僅基于T2WI 圖像，建立了DL 模型來預測pCR，模型的AUC、敏感度、特異度、陽性預測值、陰性預測值和準確度分別為0.76、30%、96%、0.67、0.87和85%。近期，來自日本的學者也得出了相類似的結論[35]。CHEN等[36]基于極端梯度提升算法（eXtreme Gradient Boosting, XGBoost）的ML 算法預測pCR，并將AI 模型與傳統列線圖模型進行比較，發現AI 模型將訓練集中AUC 從0.72 提高到0.95，敏感度從43.0%提高到82.2%，特異度從87.1%提高到91.6%，可為臨床醫生制訂個性化治療方案提供參考。有研究[37]基于T2WI 創新性地挖掘直腸系膜脂肪的信息，建立影像組學模型來預測LARC患者nCRT 后的pCR，并取得了良好的預測效能，表明腫瘤周圍直腸系膜脂肪也可能顯示出巨大的預測能力。

由此可見，AI 作為一種潛在的定量工具，在評估LARC患者pCR方面具有重要的價值，能為臨床決策提供合理依據。目前的研究普遍存在研究隊列規模小、缺乏外部驗證等問題，只有通過國內甚至國際多中心研究才能實現模型的廣泛適用性。

5 基于MRI的AI在預測患者預后中的應用

局部復發和遠處轉移是RC預后不良的重要影響因素。大約15%～30%的結直腸癌患者會出現轉移[38]。如果能夠在早期識別并篩查出此類高危人群，就可以在術前對此類人群進行有針對性的治療，并制訂適當的治療策略從而改善預后[8]。近年來的研究發現，基于MRI的AI在預測RC預后方面表現突出。

JAYAPRAKASAM 等[37]在軸位T2WI 上提取直腸系膜脂肪的影像組學特征建立模型來預測LARC的局部復發和遠處轉移，研究發現在局部復發或遠處轉移的患者和未發生的患者之間，直腸系膜脂肪的影像組學特征有顯著差異。LIU 等[39]開發并驗證了基于MRI 的影像組學特征，用于預測多中心數據集的遠處轉移，研究證明基于MRI的影像組學特征是預測LARC患者遠處轉移的獨立因素。而CUI等[40]基于多參數MRI圖像提取影像組學特征并聯合臨床病理因素構建列線圖用于預測LARC患者無病生存期，訓練集和驗證集的C指數分別為0.780和0.803。此外，TIBERMACINE等[41]進行了一項多中心研究，評估和比較了不同的影像組學模型預測LARC 患者無病生存期的能力，結果表明模型預測無病生存期的AUC 值范圍為0.77 至0.89，均表現出了良好的性能。另一項回顧性多中心研究構建了一個基于DL 的影像組學模型，用于預測接受nCRT后LARC 患者的遠處轉移，發現基于MRI 的DL 影像組學特征在遠處轉移預測中表現良好，在驗證隊列中，C指數為0.747，AUC為0.894[42]。LIANG等[43]使用基于ML 的MRI 影像組學來預測RC 的異時性肝轉移，并取得了良好的預測效能。

環周切緣（circumferential resection margin,CRM）陽性是RC 局部復發和生存率較差的預測指標[44]。因此，準確地預測CRM 是否陽性對于選擇合理的治療方案尤為重要。一項單中心回顧性研究基于Faster R-CNN 評估RC CRM 的受累情況[45]，在訓練集中，CRM 陽性和陰性的比例為1∶2；該模型的準確度、敏感度和特異度分別為93.2%、83.8%和95.6%，AUC為0.953。研究表明，該AI模型可對原位腫瘤外侵引起的CRM陽性區域行風險評估，具有初步篩選的應用價值。然而，目前關于MRI 的AI 在RC CRM 識別中的研究仍較少，未來需要擴大樣本量行更深入的研究來完善AI輔助診斷CRM平臺。

EMVI 見于31%的RC 患者[46]，研究表明EMVI 與LARC 患者的腫瘤復發和總體死亡風險增加有關，也是預后不良的指標[47]。因此，早期識別EMVI 對治療策略的選擇具有重要意義。為了提高診斷EMVI的準確性，SHU 等[48]基于T1WI、T2WI、DWI 和T1WI 增強圖像，并使用不同的ML算法，結合臨床特征構建了聯合模型用于EMVI 的術前預測；結果表明基于貝葉斯算法構建的聯合模型預測效能表現最佳，AUC、敏感度和特異度分別為0.835、71.4%和88.5%。LIU 等[49]開發和驗證了基于原發腫瘤特征的影像組學列線圖，以使用ML 預測術前病理性EMVI，結果表明影像組學列線圖的預測效率最高，AUC為0.863，可能有助于患者選擇最佳治療策略。ZHAO等[50]從合成MRI圖像中提取影像組學特征，同樣建立了列線圖預測EMVI，驗證隊列AUC為0.899，此外，影像組學特征診斷效果優于兩位放射科醫生（AUC分別為0.912、0.732和0.763）。

以上研究成果表明基于MRI 的AI 能夠自動化、高通量地提取圖像信息，以無創的方式捕獲腫瘤影像信息，在RC患者風險分層中發揮了重要作用，在很大程度上可幫助臨床醫生做出合理的醫療決策。未來，MRI 單序列建模也將逐漸走向多序列融合甚至多模態融合建模方向，但距離臨床應用尚待時日。

6 小結

從這些研究中我們不難看出隨著基于MRI 的AI在RC 中的發展與應用不斷深入，其在病灶分割、T 分期評估、淋巴結轉移預測、nCRT 療效評估、預后預測方面的優勢逐漸顯現，取得了令人鼓舞的成就。然而，目前AI 仍處于試驗階段，面臨著諸多發展瓶頸。首先，高質量的圖像對AI至關重要，目前受限于復雜的醫療場景和不均質的圖像質量，圖像數據標準化程度低，目前的AI算法仍不能滿足高標準醫療要求；其次，模型的穩健性和通用性是影響其在臨床中應用的重要因素，未來，也許通過增加研究數據量和標準化AI工作流程能夠改善；最后，DL需要大量的數據進行訓練，而直腸是具有蠕動的管狀結構，高質量的訓練數據采集是一個大問題，且目前仍然無法定性地解釋DL 特征的含義。與此同時，由于“黑匣子”問題，AI 的臨床應用進展緩慢。因此，AI 在RC 中的臨床應用仍然存在挑戰。

AI 的最終目標是實現臨床應用，但并不意味著取代臨床醫生和臨床工作流程，而是減輕臨床醫生的負擔，提供有用信息，以輔助臨床實現個性化治療。相信在不久的將來，能通過規范AI流程，打破數據之間的壁壘，提高模型的泛化性，最終將AI應用于臨床，從而更大程度地推動結直腸學科的進步，為更多患者提供更高效精準、個性化的醫療服務。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：楊軍構思和設計本綜述，對稿件重要內容進行了修改，支持性貢獻，獲得了國家自然科學基金項目資助；朱鈺起草和撰寫稿件，獲取、分析或解釋本研究的數據；歐陽治強，單海燕，楊露，褚吉祥，廖承德，柯騰飛獲取、分析或解釋本研究的數據，對稿件重要內容進行了修改；廖承德獲得了云南省衛生健康委員會醫學學科帶頭人基金項目資助；全體作者都同意發表最后的修改稿，同意對本研究的所有方面負責，確保本研究的準確性和誠信。