0 引言

       結直腸癌（colorectal cancer, CRC）已經成為危害生命健康的主要負擔之一，在部分發(fā)達國家50歲以下人群中直腸癌發(fā)病率以每年1%~4%的速度增長[1]，在我國，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]。隨著檢查技術的進步，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)，不同患者的預后仍存在差異，這促使研究者探索新的預后因素。

       腫瘤出芽（tumor budding, TB）作為重要的病理學指標，與直腸癌患者的預后密切相關，美國癌癥聯(lián)合委員會（American Joint Committee on Cancer, AJCC）/國際抗癌聯(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后因素[5]。有相關研究表明，在直腸癌患者中，TB分級與神經浸潤、脈管侵犯、遠處轉移、復發(fā)率和死亡率均呈顯著相關[6]。然而目前TB的評估主要依賴于病理，但病理活檢有創(chuàng)、昂貴并會受到腫瘤時空異質性的限制，且小活檢樣本可能無法準確反映整個腫瘤的組織學特征[7]。因此，術前評估TB分級對于精準識別預后不良的患者群體、制定個性化治療方案、改善患者預后具有重要臨床意義。

       近年來，影像技術及人工智能在術前直腸癌TB評估中發(fā)展迅速。擴散峰度成像（diffusion kurtosis imaging, DKI）通過非高斯擴散模型提升了微觀結構檢測敏感度；體素內不相干運動（intravoxel incoherent movement, IVIM）成像通過雙指數(shù)模型補充微循環(huán)功能信息；動態(tài)對比增強MRI（dynamic contrast enhanced MRI, DCE-MRI）能評估病灶微血管系統(tǒng)特性，反映血管的通透性及組織灌注水平；酰胺質子轉移加權（amide proton transfer weighted, APTw）成像通過檢測內源性蛋白質實現(xiàn)分子水平評估；影像組學實現(xiàn)多模態(tài)特征量化整合；深度學習（deep learning, DL）通過自適應特征學習優(yōu)化分析流程。以上技術被應用于直腸癌TB的術前評估，并取得了良好的預測價值。然而，當前仍面臨一些挑戰(zhàn)，如成像時間長、易受偽影影響、成像參數(shù)的標準化和可重復性差、分辨率不足、影像組學特征的臨床驗證不足，以及人工智能算法的可解釋性差等。未來的發(fā)展方向包括成像技術的優(yōu)化、多模態(tài)影像技術的融合以及基于大數(shù)據(jù)的影像組學研究等。近1~2年未見相關綜述涉及這一領域，因此，本綜述旨在系統(tǒng)梳理MRI技術及人工智能在直腸癌TB術前評估中的應用現(xiàn)狀，分析其優(yōu)勢與挑戰(zhàn)，以期為未來研究提供方向。

1 直腸癌TB相關病理及臨床意義

       TB是各種高度惡性的實體腫瘤的常見病理學指標，通常是指存在于腫瘤浸潤前緣、散在的呈未分化形態(tài)的單個腫瘤細胞或由4個以內腫瘤細胞構成的小灶狀腫瘤細胞群[8]。TB是腫瘤微環(huán)境的一部分，并與上皮-間質轉化（epithelial-mesenchymal transition, EMT）相關。EMT是上皮細胞失去粘附性并獲得間質細胞特性，進而獲得遷移和侵襲能力的過程，這一過程在腫瘤發(fā)展中起著關鍵作用，使腫瘤細胞能夠侵入周圍基質，形成促進腫瘤生長和轉移的微環(huán)境。

       有相關研究表明，與低級別TB（1~2級）患者相比，高級別TB（3級）患者表現(xiàn)出更高的血管浸潤率（28.2% vs. 15.3%）、靜脈浸潤率（25.6% vs. 8.5%）和遠處轉移率（33.3% vs. 5.0%）[6]。YAMADERA等[9]研究者通過對兩個獨立隊列（分別為203例和346例CRC患者）的研究發(fā)現(xiàn)，在低級別TB患者中，接受輔助治療組的腫瘤特異性生存率優(yōu)于單純手術組，而高級別TB患者并未從化療中獲益。因此在術前有效識別高級別TB個體有助于指導臨床治療方案的制訂。

2 MRI技術評估直腸癌TB的價值

       近年來，功能MRI技術取得了顯著進展，并已成為直腸癌基線分期和治療計劃制定的關鍵組成部分[10]。在評估原發(fā)腫瘤和局部淋巴結的基礎上，還可通過檢測高風險特征來輔助進行風險分層[11]，從而優(yōu)化治療策略。目前，關于直腸癌TB的術前評估受到越來越多的關注。

2.1 擴散加權成像及其相關技術

2.1.1 高級擴散序列

       IVIM通過使用多b值，能夠將水分子純粹的擴散運動與灌注相關的偽擴散效應區(qū)分開來，從而無需依賴對比劑即可評估組織灌注情況[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)單純擴散系數(shù)（D）和灌注分數(shù)（f）與直腸癌TB等級呈負相關（P<0.05）；參數(shù)D能夠特異性表征水分子在組織內的真實擴散特性，中高級別TB組D值較低的原因可能是高級別組腫瘤細胞密度更高，導致細胞外間隙縮小，限制了水分子的自由擴散運動，此外，腫瘤微環(huán)境改變可能進一步降低局部微循環(huán)的灌注速度，導致D值減低[15]。與此同時，中高級別TB組腫瘤內新生血管生成活躍，導致新生血管密度過高，且結構異常[16]，加上腫瘤間質高壓狀態(tài)，共同導致血管成熟障礙，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，表觀擴散系數(shù)（apparent diffusion coefficient, ADC）值與TB等級呈正相關趨勢，而灌注相關擴散系數(shù)（D*）值與TB等級呈負相關趨勢（P>0.05），這可能與TB灶內血流速度異質性（快-慢血流混合）導致D*擬合誤差有關。D*反映的是微血管內血流的偽擴散效應，其值受血流速度、血管幾何結構（如血管直徑、迂曲度）及血流方向性的影響。盡管IVIM技術在直腸癌TB評估中顯示出潛力，但在實際應用中仍面臨諸多挑戰(zhàn)。IVIM成像對運動偽影較為敏感，為解決這一問題，壓縮感知（compressed sensing, CS）技術通過隨機欠采樣k空間數(shù)據(jù)并結合稀疏重建算法（如迭代優(yōu)化），可在減少掃描時間的同時保留圖像信噪比。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)估計值均接近參考值，可以有效降低偽擴散系數(shù)的高估現(xiàn)象，并提升IVIM參數(shù)圖的質量。此外，參數(shù)估計的不確定性也是影響IVIM技術應用的重要因素，貝葉斯擬合等先進算法可通過引入先驗分布約束參數(shù)范圍，優(yōu)化參數(shù)估計，從而提高結果的可靠性。

       DKI較擴散加權成像（diffusion-weighted imaging, DWI）能更準確表征生物組織內水分子的非高斯擴散特性，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構的復雜性變化，為疾病的精準量化評估提供優(yōu)越的影像學依據(jù)[19]。陳安良等[20]回顧性納入113例直腸癌患者，發(fā)現(xiàn)ADC、平均擴散系數(shù)（mean diffusivity, MD）、平均峰度系數(shù)（mean kurtosis, MK）預測TB分級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預測直腸癌TB等級的診斷效能優(yōu)于ADC及MD，差異具有統(tǒng)計學意義（P<0.05）。MK值與腫瘤內部復雜性呈正相關，高級別TB組腫瘤組織結構復雜，異質性明顯，故其MK值高。ZHOU等[13]研究發(fā)現(xiàn)，MK是評估直腸癌惡性程度有前景的生物標志物，其升高與分化不良、淋巴結轉移（lymph node metastasis, LNM）和壁外血管侵犯（extramural venous invasion, EMVI）相關，這些侵襲性特征正是高級別TB的典型病理表現(xiàn)。雖然DKI能更精準表征微觀結構，但其臨床應用仍受限于較長的掃描時間（需要多b值采集）以及復雜的后處理[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模型來估計DKI衍生的指標，DKI-Net模型利用殘差特性提取準確且豐富的特征信息塊，并精確估計體素，而DKI-Transformer模型能夠提取全局體素相關特征，兩者結合可顯著縮短處理時間，同時保持較高的結構相似性。同時，ROI勾畫對MK值影響顯著，直腸癌TB灶常為局灶性分布，而DKI體素較大，易受部分容積效應干擾，建議結合高分辨率T2WI引導靶向勾畫。未來研究需著重開發(fā)人工智能自動化分析流程，以進一步挖掘DKI數(shù)據(jù)中的潛在信息，為直腸癌的精準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散對比成像技術[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對比度[24, 25]，提供了更高的對比噪聲比（contrast-to-noise ratio, CNR）。該方法作為DWI和ADC的重要補充，改進了直腸腫瘤的可視化和檢測。在CHEN等[26]的研究中，利用b閾值圖和ADC圖來術前評估TB分級，納入51例局部進展期直腸癌（locally advanced rectal cancer, LARC）患者，結果發(fā)現(xiàn)b閾值圖評估直腸癌TB分級的AUC顯著高于ADC圖（0.914 vs. 0.726；P=0.048），且與TB分級呈顯著正相關（P<0.05）。

       研究表明，b閾值圖有更優(yōu)的成像效果、更高的信號對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，導致b閾值圖參數(shù)的穩(wěn)定性和可重復性受到影響。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，故其應用受到限制。未來可開發(fā)高分辨率DWI序列以提升b閾值圖質量，推動臨床實用性。再者，CHEN等[26]的研究樣本量較小且為單中心研究，存在選擇偏倚風險，未來的研究需要更大規(guī)模樣本的多中心前瞻性研究來驗證b閾值圖的價值。

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，對注入對比劑后的感興趣區(qū)進行連續(xù)掃描，并結合后處理技術獲取多種灌注參數(shù)，作為一種功能成像技術，其能評估正常組織及病灶微血管系統(tǒng)特性，同時反映血管的通透性及組織灌注水平[27]。周振等[28]對72例LARC患者的回顧性研究表明，DCE-MRI灌注參數(shù)中正性增強積分（PEI）和最大上升斜率（MSI）與TB等級呈正相關（P<0.05）。高級別TB提示腫瘤更具侵襲性，在病理上表現(xiàn)為更顯著的細胞異型性，細胞向梭形轉變，呈現(xiàn)間充質樣表型，此時腫瘤伴隨著更高的增殖活性和細胞密度增加[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TB的研究仍較為有限，其臨床應用價值尚需通過大樣本多中心的研究進一步驗證。該技術在實際臨床應用中仍存在一些挑戰(zhàn)。DCE-MRI的掃描參數(shù)如對比劑的注射速度、劑量及掃描時間間隔等對結果影響均較大。例如，對比劑注射速度過快可能導致對比劑在組織中分布不均勻，影響灌注參數(shù)的準確性[30]。后處理過程中，動脈輸入函數(shù)（artery input function, AIF）的定義方法和藥代動力學模型的選擇等步驟都可能引入誤差，AIF的準確性直接影響到定量參數(shù)的計算，而手動勾畫AIF可能存在主觀性誤差[31]。與此同時，DCE-MRI數(shù)據(jù)處理涉及多個步驟，如圖像校正、ROI選取及定量參數(shù)計算等。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，導致結果難以比較。因此，未來需要將掃描設備和參數(shù)進行標準化，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選取標準和定量參數(shù)計算公式。

2.2.2 APTw

       APTw成像基于化學交換飽和轉移技術[32]，是一種在分子水平上實現(xiàn)的MRI方法，可無創(chuàng)評估病灶內游離蛋白質的含量，并通過對比腫瘤與正常組織中游離蛋白質含量的差異來分析病灶[33]。ZHANG等[34]首次提出該技術時指出，由于游離蛋白質及多肽中的酰胺基團含有NH基團——這些基團由氫質子構成，因此可通過APT方法對內源性運動蛋白及多肽中的酰胺質子進行半定量檢測。在杜云霞等[35]的研究中發(fā)現(xiàn)APT、ADC及兩者聯(lián)合評估直腸癌TB等級的AUC分別為0.916、0.821、0.918，APT方法顯示出良好的預測效能。此外，XIE等[32]研究發(fā)現(xiàn)通過K均值聚類（K=5）對APTw圖像進行亞區(qū)域分析，可有效區(qū)分直腸癌腫瘤異質性，其提取的直方圖特征對TB分級具有良好的預測價值（AUC=0.92）。以上研究表明APTw-MRI技術具有較高的預測效率，但APTw成像在實際操作中還存在一些困難，射頻飽和模塊的參數(shù)設置對APTw信號的強度和對比度有顯著影響。不同的射頻飽和方法、飽和時間和射頻場強度等參數(shù)的選擇都需要根據(jù)具體的臨床應用進行優(yōu)化[36]。同時，數(shù)據(jù)采集和處理過程中的噪聲及運動偽影等也會對成像質量產生影響[37]。因此，未來的研究需要進一步優(yōu)化成像方案、開發(fā)先進的成像算法，在縮短成像時間的同時提供足夠的空間分辨率和信噪比，提高臨床應用的可行性，降低對設備性能的依賴。

3 人工智能

3.1 傳統(tǒng)影像組學

       影像組學是一種從醫(yī)學影像中高通量提取定量特征的技術。它通過挖掘圖像中超出人眼識別范圍的潛在信息，揭示病灶的定量生物學特征。通過對這些影像特征的深入分析，可以量化腫瘤微環(huán)境，從而實現(xiàn)對CRC的無創(chuàng)、動態(tài)、多病灶的早期診斷、療效評估及預后預測[38]。因此，利用MRI影像組學技術構建預測模型，以術前評估直腸癌TB等級，具有較高的可行性和臨床應用潛力。

       LI等[39]通過T2WI、CE-T1WI、DWI構建影像組學模型來預測直腸癌TB等級，得出多序列組合的影像組學模型性能最佳，AUC為0.796，在驗證集中的準確率達到81.2%，展示了良好的預測效能，但他的研究局限于LARC。PENG等[40]的研究進一步擴大了研究范圍，納入了所有分期的直腸癌患者，發(fā)現(xiàn)整合影像組學特征和MRI語義特征的聯(lián)合模型顯示出優(yōu)良的預測效能，其AUC在訓練集和驗證集中分別為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特征分別與八種分類算法結合使用：邏輯回歸（LR）、K-最近鄰（KNN）、極端隨機樹（ET）、隨機森林（RF）、極限梯度提升（XGBoost）、支持向量機（SVM）、輕量級梯度提升機（LightGBM）以及多層感知器（MLP），結果發(fā)現(xiàn)SVM的診斷性能最好，其在驗證集中的準確率、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的影像組學模型在預測直腸癌的TB等級中展現(xiàn)出顯著潛力，這可能歸因于影像組學能夠定量分析并關聯(lián)與TB分級相關的圖像特征，從而通過復雜的計算方法捕捉到肉眼無法區(qū)分的腫瘤異質性因素。然而，目前多數(shù)研究在實際應用中仍面臨諸多挑戰(zhàn)。首先，不同中心MRI設備參數(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）導致特征可比性下降。其次，影像組學研究通常包括數(shù)據(jù)收集、圖像分割、特征提取和模型建立四個階段。在數(shù)據(jù)收集階段，為避免過多特征組建的模型產生過擬合現(xiàn)象，數(shù)據(jù)集應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證。在特征提取階段，采用不同的圖像預處理及圖像重建方法，可能得到不同的影像組學特征。COBO等[42]的研究表明，在CT影像中，重建內核或切片厚度等掃描參數(shù)會影響影像組學紋理特征，由此凸顯了圖像標準化的重要性。因此，制定統(tǒng)一掃描協(xié)議，擴大多中心前瞻性驗證，開發(fā)自動化分割算法，整合多模態(tài)MRI參數(shù)（如APTw、DKI及IVIM）構建綜合評估模型，有望進一步提高術前評估直腸癌TB分級的準確性。

3.2 DL

       最近的研究表明[43]，與傳統(tǒng)的放射組學方法相比，基于DL的數(shù)據(jù)驅動方法可以精確模擬跨成像模態(tài)的特定領域特征，并實現(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中獲得的知識遷移至相關任務，從而提升目標任務的性能。這些優(yōu)勢極大地推動了醫(yī)學圖像合成技術的臨床應用，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特征，評估更深層次的組織病理特征，從而提供更好的預測性能和泛化能力[45]。一項薈萃分析發(fā)現(xiàn)，在評估CRC患者LNM方面的性能上，與傳統(tǒng)影像組學模型相比，使用DL模型作為診斷工具時，其AUC高達0.917[46]，證明基于DL的圖像分割和特征提取技術可以提高影像組學預測模型的準確性和可重復性。

       卷積神經網(wǎng)絡（convolutional neural networks, CNN）是DL應用中的主要算法模型，隨著其在醫(yī)學圖像中的應用，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]構建了一個基于CT及MRI多模態(tài)深度遷移學習模型方法來術前評估直腸癌TB狀態(tài)，并將其與臨床模型相結合，集成模型實現(xiàn)了最佳性能，內部驗證隊列的AUC為0.898，外部驗證隊列的AUC為0.868，在研究中采用六種遷移學習模型（包括DenseNet 121、ResNet 18、ResNet 34、ResNet 50、ResNet 101和Vgg11），在這些模型中，Vgg11模型相較于其他經典CNN模型展現(xiàn)出更強的泛化能力和預測性能，可能是由于Vgg11模型相對簡單的結構和較少的參數(shù)量，有助于降低小樣本數(shù)據(jù)集或簡單任務中的過擬合風險，這一特性使其在實際臨床應用中可能更具優(yōu)勢[49]。此外，LIU等[48]還通過Grad-CAM可視化技術發(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相關特征。TANG等[50]分別從術前基于CT的細胞外容積（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（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和影像組學模型來術前預測TB等級，研究表明與僅依賴HCR或DL特征的模型相比，結合這兩個特征的模型具有更強的診斷能力，在訓練隊列和測試隊列中，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模型來預測直腸癌TB等級，這可能與惡性腫瘤組織血管外ECV分數(shù)與腫瘤侵襲性密切相關，其能通過精確定量病灶區(qū)域的細胞外間質含量[51]，來客觀反映腫瘤微環(huán)境特征，為術前無創(chuàng)評估直腸癌TB分級提供了新思路。

       Transformer架構是一種基于自注意力機制的DL模型架構，最初應用于自然語言處理領域，利用自注意力機制捕捉長距離依賴關系，使模型能夠關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]關于評估直腸癌TB分級的研究中，采用CrossFormer作為DL模型的核心，作為一種改進的Transformer架構，CrossFormer創(chuàng)新性地引入了跨尺度注意力機制與分層特征融合策略，通過動態(tài)調節(jié)感受野并建立不同層級間的長程依賴關系，該架構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，顯著提升對復雜解剖結構的表征能力，同時降低了計算復雜性，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，在內部驗證隊列中AUC值為0.868，在外部驗證隊列中為0.839。與Vgg11等傳統(tǒng)CNN相比，CrossFormer是一種基于自注意力的網(wǎng)絡架構，憑借其自適應特征加權和全局建模能力，可以有效地捕獲T2WI和DWI圖像中的遠程空間信息并進行多模態(tài)特征學習。但是JIA等[53]的研究只使用了2.5D輸入，這不可避免地導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模型來術前預測直腸癌TB分級，3D ViT模型通過直接處理3D MRI數(shù)據(jù)，克服了傳統(tǒng)2D切片方法導致的空間信息丟失問題。其獨特的自注意力機制能夠捕捉腫瘤在三維空間中的全局特征，為TB分級提供了更精準的DL特征，其在訓練隊列、內部測試隊列和外部測試隊列中的AUC分別為0.896、0.796和0.762，均高于組學模型0.754、0.626和0.614。以上研究表明Transformer架構及其改進版本（如CrossFormer）在直腸癌TB評估中展現(xiàn)了優(yōu)越的診斷效能。

       DL在直腸癌TB評估中展現(xiàn)出優(yōu)勢，其通過自動特征提取和多模態(tài)數(shù)據(jù)融合能力，已實現(xiàn)優(yōu)異的預測性能。然而，臨床轉化仍面臨數(shù)據(jù)依賴性、計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)模的增長和任務復雜性的提高，CNN架構逐漸暴露出計算效率和處理能力的瓶頸，例如大規(guī)模數(shù)據(jù)集訓練耗時過長、特征提取效果受限以及在復雜任務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，結果表明，在許多指標上優(yōu)于當前主流模型，在醫(yī)學圖像數(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支持。此外，開發(fā)可視化工具（如Grad-CAM）可增強模型透明度。未來，臨床驗證研究需開展大規(guī)模多中心前瞻性研究，以全面評估模型的泛化能力和穩(wěn)定性。同時，應建立統(tǒng)一的數(shù)據(jù)標準和質量控制體系，規(guī)范數(shù)據(jù)收集、處理和分析流程。此外，還需加強模型臨床實用性評估，探索其與現(xiàn)有醫(yī)療信息系統(tǒng)的整合。最后，應關注模型的持續(xù)更新和優(yōu)化，以快速將新技術應用于臨床實踐。

4 各技術的對比分析

       直腸癌TB的術前評估體系中，DKI通過非高斯擴散模型突破了傳統(tǒng)DWI的局限，可更敏感地檢測直腸癌微觀結構異質性，但其對磁場均勻性和信噪比的高要求促使了IVIM技術的引入。IVIM通過雙指數(shù)模型分離擴散與灌注參數(shù)，在結構評估基礎上補充了微循環(huán)功能信息，不過其易受到呼吸運動干擾，需要通過加速采樣技術優(yōu)化，參數(shù)估計的不確定性則需通過貝葉斯擬合等先進算法優(yōu)化。DCE-MRI提供了可靠的藥代動力學驗證，但受限于對比劑腎毒性風險和個體血流差異[57]，其對比劑依賴性促使無創(chuàng)替代技術發(fā)展；與此同時，APTw通過檢測內源性蛋白質實現(xiàn)了分子水平評估[33]，與DCE-MRI形成功能-分子互補評估，不過其對成像硬件的高要求仍是當前技術瓶頸。在此過程中，影像組學實現(xiàn)了多模態(tài)特征的量化整合，而DL則進一步通過自適應特征學習優(yōu)化了分析流程，盡管人工智能存在可解釋性挑戰(zhàn)，但這些技術的協(xié)同創(chuàng)新正推動直腸癌TB評估從單一參數(shù)向多維度智能診斷轉變。未來需要通過多中心研究驗證技術組合的臨床價值，最終建立基于TB風險分層的精準診療體系。

5 不足與展望

       盡管應用多模態(tài)MRI技術和影像組學評估直腸癌TB方面已取得一定進展，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，且成像時間長，易受偽影影響及成像參數(shù)標準化難以統(tǒng)一。此外，人工智能算法可解釋性差、依賴高質量數(shù)據(jù)及計算成本高。

       為了實現(xiàn)對直腸癌TB的精準評估，未來研究需要注意以下方面：（1）優(yōu)化成像技術，超高場強MRI（7 T及以上）結合壓縮感知加速技術有望突破現(xiàn)有分辨率限制，實現(xiàn)亞毫米級成像；基于四維流體力學的磁共振彈性成像（magnetic resonance elastography, MRE）通過量化腫瘤硬度，結合剪切波算法有望優(yōu)化TB區(qū)域識別；谷氨酸化學交換飽和轉移成像技術通過檢測腫瘤內特定代謝物濃度，可反映與TB相關的蛋白代謝異常。（2）加強構建多模態(tài)成像技術聯(lián)合模型的研究。（3）優(yōu)化影像組學及DL模型，以提高診斷效能。（4）生境分析技術可構建空間異質性圖譜，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

       直腸癌TB作為一種關鍵的預后指標，其精準評估對臨床決策具有指導意義。MRI技術不僅能提供優(yōu)異的軟組織對比度，更能從微循環(huán)灌注、細胞密度等多維度解析腫瘤異質性。結合影像組學高通量提取的定量特征及DL算法，已初步實現(xiàn)了TB分級預測模型的構建，為臨床診斷和預后提供了有力支持。未來要實現(xiàn)臨床常規(guī)應用，首先，應擴大樣本量，構建多中心、多樣化的患者隊列，以充分驗證模型的泛化能力，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；同時應開展多中心前瞻性研究，重點驗證模型對直腸癌TB無創(chuàng)性評估的預測效能，關注其對治療決策和患者預后的實際影響；最后，在技術整合上，應探索多模態(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風險分層系統(tǒng)，實現(xiàn)從影像采集到TB自動分級的全流程優(yōu)化。以期為患者提供精準、個性化治療策略，進而改善預后。

相關知識

實體腫瘤治療前后影像學評估研究進展與前景
基于深度學習重建和傳統(tǒng)TSE序列在直腸癌磁共振檢查的對比研究
直腸癌的影像學特征.pptx
創(chuàng)傷影像學評估的手段與策略
直腸磁共振檢查，帶您“長點腸識”
腫瘤影像檢查評估肌肉脂肪變化
醫(yī)學影像技術的進展與未來展望
健康評估影像檢查評估
醫(yī)學影像技術在定位、評估腫瘤特性和引導手術中的作用
醫(yī)學影像科

網(wǎng)址: 多模態(tài)磁共振成像及影像組學評估直腸癌腫瘤出芽的研究進展 http://www.gysdgmq.cn/newsview1723875.html