文献速递腹部泌尿生殖MR

预测直肠癌肿瘤沉积:结合T2-MR影像与临床特征的多通道深度学习模型

Predicting tumor deposits in rectal cancer: a combined deep learning model using T2-MR imaging and clinical features.
PubMed 文献 · Insights Imaging · 2023-12-20

该回顾性研究纳入327例经病理确诊肿瘤沉积状态的直肠癌患者,基于T2-MR影像和临床变量构建临床模型、单通道、多通道及混合深度学习模型。混合深度学习模型在独立测试集AUC为0.839,敏感度77%、特异度85%,决策曲线显示其净获益优于其他模型。

要点

  • 混合深度学习模型在独立测试集AUC为0.839,敏感度77%、特异度85%。
  • 混合模型在开发集AUC 0.857,显著高于单通道和多通道模型(均p<0.001)。
  • 围肿瘤区域影像可提升肿瘤沉积诊断效能,多通道模型AUC高于单通道模型。

核心结论

  • 所提出的混合深度学习模型预测效能良好,可用于预测直肠癌肿瘤沉积。

研究设计与样本

  • 回顾性研究纳入2016年1月至2019年12月327例经病理确诊肿瘤沉积状态的直肠癌患者,随机分为开发集246例和独立测试集81例。
  • 采用3.0T扫描仪行快速自旋回波无脂肪抑制T2加权成像,由两名分别有10年和15年直肠癌诊断经验的放射科医师盲法阅片。
  • 构建临床模型、单通道深度学习模型、多通道深度学习模型和混合深度学习模型,以病理肿瘤沉积状态为参考标准。

关键影像表现/征象

  • 肿瘤沉积阳性患者较阴性患者MR N分期更高、肿块型比例更高、EMVI阳性率更高、血清CA19-9水平更高。
  • Grad-CAM显著性图显示高亮注意力区域与手动标注ROI一致,肿瘤及围肿瘤区域均有助于肿瘤沉积诊断。
  • 混合模型所选临床变量的相对权重在不同患者间变化,体现个体化诊断机制。

诊断标准与关键数值

  • 临床模型在开发集AUC为0.734(95%CI 0.674-0.788),在独立测试集AUC为0.726(95%CI 0.615-0.819)。
  • 单通道深度学习模型在开发集AUC为0.710(95%CI 0.649-0.766),在独立测试集AUC为0.676(95%CI 0.563-0.776)。
  • 多通道深度学习模型在开发集AUC为0.767(95%CI 0.710-0.819),在独立测试集AUC为0.738(95%CI 0.628-0.829)。
  • 混合深度学习模型在开发集AUC为0.857(95%CI 0.807-0.898),在独立测试集AUC为0.839(95%CI 0.741-0.911),敏感度77%、特异度85%。
  • 开发集中混合模型AUC显著高于单通道模型和多通道模型(均p<0.001),测试集中显著高于单通道模型(p=0.028)。

临床应用与阅片要点

  • 原文结论指出混合深度学习模型预测效能良好,可用于预测直肠癌肿瘤沉积。

局限性

  • 原文未报告局限性。
全文中译21 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2023 Dec 20;14:221. doi: 10.1186/s13244-023-01564-w

引言

作为全球最常见的恶性肿瘤之一,结直肠癌(CRC)是癌症相关死亡的主要原因,严重威胁人们的健康和生活质量[1]。根据国际癌症研究机构(IARC)的研究结果,到2040年,结直肠癌的负担将增至每年320万新发病例(增加63%)和每年160万死亡病例(增加73%),在年轻成年人和正在经历经济转型的国家中观察到发病率不断上升[2]。肿瘤沉积(TDs)被定义为位于结肠周围或直肠周围脂肪中的离散肿瘤灶,无残留淋巴结或可识别血管或神经结构的组织学证据[3]。TDs是直肠癌预后的独立危险因素[4]。TDs阳性的肿瘤表现出更具侵袭性的生物学行为,易于局部复发和远处转移[5]。TDs阳性患者的总生存期(OS)和无病生存期(DFS)均差于TDs阴性患者[6]。根据美国癌症联合委员会(AJCC)第8版肿瘤淋巴结转移(TNM)分期系统,TDs可使肿瘤的N分期上调,并与患者的治疗方案相关,例如,对于任何T分期的患者,如果TDs阳性,患者将被归为N1c期,并根据欧洲肿瘤内科学会(ESMO)共识指南推荐高危组需要nCRT的建议,推荐接受术前或术后新辅助放化疗(nCRT)而非单一手术治疗[7],近期研究确实表明,TD状态阳性且接受过nCRT的患者比未接受nCRT的患者具有更好的生存结局[8]。综上所述,术前无创识别TDs具有重要的临床意义,在分期评估和治疗规划中起着关键作用。然而,TDs的诊断主要依赖于术后病理评估,该方法具有固有的延迟性和侵入性。追求无创、精确、准确的术前诊断方法是我们努力的重点。

T2加权磁共振成像(T2WI-MRI)是直肠癌(RC)患者局部分期的首选影像学检查方法,可用于评估直肠癌的危险因素,如环周切缘(CRM)状态和壁外血管侵犯(EMVI)[9],例如Yang等[10]通过整合临床危险因素和高分辨率磁共振成像(HRMRI)表现开发了两个列线图,研究结果表明,基于HRMRI和影像组学的列线图具有良好的预测性能,淋巴结转移(LNM)的AUC值为0.90(95%置信区间[CI] = 0.83–0.96),肿瘤沉积(TDs)的AUC值为0.80(95% CI = 0.69–0.92)。Atre[11]对40例经病理证实存在肿瘤沉积和恶性淋巴结的患者的MRI影像表现进行了回顾性分析,研究结果表明,MR成像上观察到的病灶形态可作为区分直肠癌患者肿瘤沉积与阳性淋巴结(LNs)的有价值的预测因素。此外,当形态学信息与MR纹理参数偏度相结合时,诊断准确性显著提高。然而,通过手动勾画目标区域所定义的影像组学特征是预先设定的,高度依赖于感兴趣区(ROI)的准确分割;观察者间变异可能影响结果的可靠性[12]。此外,纹理特征的稳定性在不同图像采集和预处理之间存在差异,这也可能限制其实际应用[13]。

近年来,深度学习(DL),尤其是卷积神经网络(CNN),为医学图像分析提供了新方法,并在临床实践中引起了广泛关注。与传统机器学习相比,深度学习可以自动从图像中提取特征,无需预先定义特征,适合挖掘最相关的特征表示[14–17]。肿瘤沉积散在分布于瘤周脂肪组织中,我们的分析聚焦于肿瘤周围的脂肪组织,深度学习方法非常适合该成像区域的研究。此外,已有关于深度学习模型应用于MR成像预测微卫星不稳定性及新辅助放化疗(nCRT)结局的研究[18, 19];深度学习算法是否有助于表征直肠癌患者肿瘤沉积状态尚未见报道。因此,本研究旨在构建一个结合T2-MR图像和临床危险因素的深度学习模型,并评估其预测直肠癌患者肿瘤沉积的诊断准确性。

方法

患者入组和研究设计

本研究按照《赫尔辛基宣言》(2013年修订版)进行。本研究经昆明医科大学曲靖市第一人民医院生物医学研究伦理委员会批准(202201),并豁免知情同意要求。

回顾性收集2016年1月至2019年12月期间接受MR检查的直肠癌患者。纳入标准如下:(1)经病理诊断为直肠腺癌的患者;(2)在手术前1周内接受MR检查的患者。排除标准如下:(1)存在运动伪影或金属伪影的MR图像;(2)同时患有其他恶性肿瘤的患者;(3)缺乏术前实验室检查结果;(4)未检测肿瘤沉积状态。最终,共有137例伴有肿瘤沉积(TDs)的直肠癌(RC)患者和190例不伴有TDs的RC患者纳入本研究。

应用伪随机数生成器为每例患者生成一个0至1之间的随机数,随机数小于0.25的患者被选为测试数据集,其余患者作为开发数据集。最终,患者被分为开发数据集(143例非TDs和103例TDs)和独立测试集(47例非TDs和34例TDs)。预测模型仅在开发数据集中进行训练,独立数据集作为留出数据集用于评估模型性能。患者入组流程图见图1。

图1 患者入组及研究设计流程图 查看原图 ↗

MRI检查方案

所有患者均使用3.0特斯拉(T)扫描仪(MAGENTOM Skyra,Siemens Healthcare Sector,德国;SIGNA Architect,GE Medical System,美国;Ingenia Elition X,Philips,荷兰)进行MR检查。患者在MRI检查前进行了一些特殊的肠道准备,包括检查前一天进食流质食物,并在检查前3至4小时给予常规清洁灌肠以确保直肠清洁空虚。主要MR序列名称为快速自旋回波无脂肪抑制T2加权成像(FSE-T2WI)。参数设置如下:重复时间/回波时间(TR/TE),6890/100 ms;层厚,3 mm;视野(FOV),220 × 220 mm;回波链长度,25;平均次数,3;层间距,3.9 mm;翻转角,150°;体素大小,0.7 mm × 0.7 mm × 4.0 mm。

MR图像评估

两名专业放射科医师(分别具有10年和15年RC诊断经验)在不知晓患者信息的情况下审阅了MR图像。根据AJCC第8版TNM分期系统,MR图像上分类为T1期(侵犯直肠黏膜下层)和T2期(侵犯直肠固有肌层)的病变被整合形成MRI T1–2队列。MR图像上直径大于3 mm的结节被认为是阳性淋巴结。表观扩散系数(ADC)值通过ADC图测量。若直肠系膜筋膜与肿瘤最外缘之间的距离小于1 mm,则认为环周切缘(CRM)阳性。若肿瘤周围存在密集血管或血管排空信号消失,则认为壁外血管侵犯(EMVI)阳性。肿瘤位置根据肛缘与肿瘤下极之间的距离进行测量(底部,≤ 5 cm;中部,5–10 cm;顶部,≥ 10 cm)。意见分歧通过图像审阅期间的协商解决。研究患者MR图像的基线特征见表1。

表1 开发数据集和测试数据集中患者特征的比较 查看原表 ↗

肿瘤沉积的病理诊断

从西华医院病理科检索并下载了记录本研究入组患者病理信息的病理报告。根据美国癌症联合委员会(AJCC)第8版TNM分期系统标准,病理报告中描述了TD状态(阳性或阴性)。

病灶分割

由两位分别具有10年和15年诊断经验的放射科医师在MR图像上手动标注了两类病灶(肿瘤区域和瘤周区域)。两位医师均使用ITK-SNAP软件(v3.8.0,http://www.itksnap.org)在ROI边界内手动标注肿瘤区域和瘤周区域。

瘤周区域是指肿瘤周围填充肿瘤边缘与直肠系膜筋膜之间区域的中位直肠系膜脂肪。由于近期研究[20, 21]报道瘤周直肠系膜脂肪在理解肿瘤微环境、预测肿瘤复发以及评估直肠癌侵袭性和异质性方面具有重要作用,因此我们将瘤周脂肪组织纳入分析。我们标绘了肿瘤边缘与直肠筋膜之间的整个区域,而非定义肿瘤周围1 mm或5 mm的距离,因为精确界定1 mm或5 mm距离较为困难且会增加工作量。手动分割的肿瘤区域及相应瘤周区域的示例见补充图1。

两位放射科医师对病理报告均设盲。完成三维分割后,随机选取20例患者用于评估特征稳定性。对于组内相关系数分析,放射科医师A(具有10年经验)再次勾画了这些患者的ROI(间隔1个月)。对于组间相关系数分析,通过比较放射科医师A(第一次)和放射科医师B(具有15年经验)的ROI来计算相关系数。根据公认规则,即ICC > 0.75 = 信度良好或优秀,< 0.5 = 信度差,0.5–0.75 = 信度中等[22],组内和组间相关系数(ICC)≤ 0.75的特征被排除。

数据预处理

记录与TD诊断相关的临床变量如下:

(1) 年龄,实际变量;(2) 性别,二分类变量(女性 = 0,男性 = 1);(3) MR T分期,多分类变量(T1/T2 = 0,T3 = 1,T4 = 2);(4) MR N分期,多分类变量(N0 = 0,N1 = 1,N2 = 2);(5) MR M分期,二分类变量(M0 = 0,M1 = 1);(6) 病灶位置,多分类变量(底部 = 0,中部 = 1,顶部 = 2,底部/中部 = 3,中部/顶部 = 4,底部/中部/顶部 = 5);(7) 肿瘤类型,二分类变量(肿块型 = 0,浸润型 = 1);(8) CRM,二分类变量(阴性 = 0,阳性 = 1);(9) EMVI,二分类变量(阴性 = 0,阳性 = 1);(10) ADC值,实际变量;(11) 血清癌胚抗原(CEA)水平,二分类变量{阴性 = 0,阳性 = 1(> 5 ng/ml)};(12) 血清CA19-9水平,二分类变量{阴性 = 0,阳性 = 1(> 35 u/ml)};(13) 血清糖类抗原(CA)125水平,二分类变量{阴性 = 0,阳性 = 1(> 35 u/ml)}。

首先对T2WI图像进行强度归一化,将强度重新缩放至0.255,然后在模型开发前,将MR图像上手动标注的ROI进行变换并定义如下:(1)包含裁剪ROI的三维(3D)图像块,其大小根据最大ROI确定(肿瘤区域为64像素×64像素×10像素,瘤周区域为128像素×128像素×10像素);(2)手动标注的逐像素ROI掩膜,其中非病变区域以零填充;(3)经病理学确认的肿瘤沉积标签。

为避免过拟合,在深度学习模型的训练过程中应用了数据增强[23]。进行了翻转(沿x轴和y轴)、随机亮度对比度调整(80%、90%、110%和120%)以及随机旋转(沿z轴90、180和270°)。最终,开发数据集中的样本量增加至2460,用于构建深度学习模型。

临床模型的开发

为筛选与临床变量相关的肿瘤沉积,在开发数据集中进行了单因素回归分析和多因素回归分析。多因素回归分析中应用了后退逐步选择法,仅选择p值小于0.05的临床因素用于模型开发。基于所选临床变量,应用scikit-learn工具包[24]通过逻辑回归构建临床模型。使用Liblinear作为默认求解器,并应用C=1的L2正则化。容差设为0.0001,其他参数设为默认值。

深度学习(DL)模型的设计

根据是否整合瘤周ROI图像或临床变量,我们开发了三种深度学习模型以实现研究目的:仅以肿瘤ROI作为输入的单通道深度学习(single-DL)模型、同时以肿瘤ROI图像和瘤周ROI图像作为输入的多通道深度学习(multi-DL)模型,以及同时整合肿瘤ROI和瘤周ROI图像及所选临床变量的混合深度学习(hybrid-DL)模型。对于single-DL模型,使用ResNet50作为神经网络骨干,从肿瘤ROI图像中提取高维特征。提取的图像特征转换为1280位向量,随后通过soft-max回归进行TD或非TD的二分类。对于multi-DL模型,使用两个基于ResNet50的全连接层网络分别从包含肿瘤和瘤周区域的ROI中提取高维特征。这些特征转换为1280位向量并进一步拼接为2560位向量,然后通过soft-max层预测TD的概率。我们的single-DL和multi-DL模型的概念架构见补充图2。

对于hybrid-DL模型,首先通过全连接层将每位患者的所选临床变量转换为512位向量,并与来自肿瘤ROI及瘤周ROI的变换向量进行拼接。最终,整合了MR图像和临床变量的3072位拼接向量用于评估每位患者的TD概率(图2)。

图2 hybrid-DL模型的概念架构 查看原图 ↗

DL模型的训练

为了提高深度学习模型的对抗鲁棒性和迁移性,本研究采用了迁移学习方法。神经网络在ImageNet数据集的自然图像和癌症影像档案(TCIA)数据库[25, 26]中多个数据集的医学图像上进行了预训练。

采用加权平衡二元交叉熵损失函数对多数类的错误进行惩罚,并对少数类赋予更高的正值权重,因为类别权重与其在训练数据中的频率成反比。采用学习率为1e − 4的小批量梯度下降(MBGD)算法优化模型参数,有助于加快收敛速度。小批量大小和丢弃率分别设置为16和0.6。其他参数设置为默认值。当验证集中的损失趋于稳定时停止训练过程,深度学习模型的平均训练轮数为60至80。所提出的深度学习模型在InferScholar平台(推想科技,中国)上开发完成。

校准与决策曲线分析

采用校准曲线分析评估预测TD概率与实际观察发生率之间的一致性,并使用1000次自举重采样方法绘制校准曲线。此外,在独立测试数据集中采用Hosmer–Lemeshow检验评估预测模型的拟合优度[27]。决策曲线分析(DCA)亦被用于通过在合理阈值概率范围内计算净获益来评估和比较不同模型的临床实用性[28]。

模型可解释性

由于深度学习属于“黑箱”模型,采用梯度加权类激活映射(Grad-CAM)方法,通过突出T2WI图像上深度学习算法预测TD的关键响应区域,以更好地理解深度学习模型[29]。对于单一深度学习模型和多深度学习模型,通过在深度学习模型最后一个卷积层上应用Grad-CAM生成显著性图。此外,除T2WI图像的显著性图外,混合深度学习模型还呈现了每位患者所选临床变量的相对权重。

统计分析

所有统计分析均使用MedCalc软件(版本20.0)和SPSS软件(版本23.0)完成。连续变量和分类变量分别采用Mann–Whitney U检验和卡方检验进行比较。通过ROC分析评估AUC来评价预测模型的判别能力,并根据由最大约登指数确定的最佳阈值计算各模型的灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)。采用DeLong检验比较两个AUC之间的差异[30]。校准曲线和决策曲线分别使用R语言(版本3.6.4)的“rms”包和“rmda”包生成。双侧p < 0.05被认为具有统计学意义。

结果

患者特征

在开发数据集和独立测试数据集中,与非TD患者相比,TD患者表现出改善的MR N分期、更高的肿块型比例和EMVI患病率以及更高的血清CA19-9水平。开发数据集(42%,103/246)与独立测试数据集(42%,34/81)之间TD患病率无显著差异(p = 0.987),详见表1。在开发数据集和独立测试数据集中,TD患者与非TD患者在性别、年龄、MR M分期、ADC值、血清CEA水平和血清CA125水平方面均无显著差异。

临床变量的选择

在模型开发前对临床变量进行了分析。经过多因素回归分析,仅MR N分期、EMVI、肿瘤位置、CRM和血清CA19-9水平的p值小于0.05,被选入模型开发(表2)。

表2 开发数据集中临床变量的单因素和多因素回归分析 查看原表 ↗

模型性能比较

基于手动分割的肿瘤ROI、瘤周ROI和选定的临床变量,在开发数据集中构建了临床模型、单深度学习(DL)模型、多DL模型和混合DL模型,并在独立测试数据集中进行了评估。

通过ROC分析比较了这些预测模型的诊断性能(图3)。临床模型在开发数据集和独立测试数据集中的AUC分别为0.734(95% CI,0.674–0.788)和0.726(95% CI,0.615–0.819)。基于肿瘤ROI图像的单DL模型在开发数据集和独立测试数据集中的AUC分别为0.710(95% CI,0.649–0.766)和0.676(95% CI,0.563–0.776)。在纳入瘤周ROI图像后,多DL模型的AUC在开发数据集中提高至0.767(95% CI,0.710–0.819)(p < 0.001),在独立测试数据集中提高至0.738(95% CI,0.628–0.829)(p = 0.348)。结果表明瘤周ROI有助于TD的诊断。

混合DL模型在开发数据集中显示出良好的区分能力,AUC为0.857(95% CI,0.807–0.898),优于临床模型(p = 0.068)、单DL模型(p < 0.001)和多DL模型(p < 0.001)。在独立测试数据集中也获得了类似结果,虽然差异无统计学意义,但混合DL模型的AUC(0.839 [95% CI,0.741–0.911])高于临床模型(p = 0.123)、单DL模型(p = 0.028)和多DL模型(p = 0.066)。各模型在开发数据集和独立测试数据集中的灵敏度、特异度、PPV和NPV列于表3。

图3 预测模型在开发数据集(a)和测试数据集(b)中的ROC分析 查看原图 ↗
表3 预测模型在开发数据集和测试数据集中的性能比较 查看原表 ↗

预测模型的临床实用性

所有预测模型在实际观察率与预测TD概率之间均显示出良好的一致性(图4)。Hosmer–Lemeshow检验显示,临床模型、单DL模型、多DL模型和混合DL模型的非显著统计量分别为0.919、0.163、0.941和0.092,表明各模型与理想拟合无显著偏差。

独立测试数据集中的DCA显示,在几乎整个阈值概率范围内,混合DL模型的净获益均高于其他三个模型,这表明混合DL模型在临床实用性方面优于其他模型(图5)。

图4 测试数据集中临床模型(a)、单一DL模型(b)、多DL模型(c)和混合DL模型(d)的校准分析 查看原图 ↗
图5 测试数据集中预测模型的决策曲线分析 查看原图 ↗

DL模型的解释

两个代表性病例的显著性图见图6。高亮注意力区域的分布与人工标注的ROI一致,在多DL模型和混合DL模型中,肿瘤区域和瘤周区域均有助于TDs的诊断。此外,所选临床变量的相对权重在不同患者间发生变化,表明混合DL模型具有个性化诊断机制。

图6 单一DL、多DL和混合DL模型的显著性图分析。a 一名67岁伴有TDs的男性患者的显著性图。b 一名70岁不伴有TDs的女性患者的显著性图 查看原图 ↗

讨论

在本研究中,我们开发了三种DL模型和一个临床模型来预测RC患者的TDs。在独立测试数据集中,混合DL模型显示出优于其他模型的诊断能力(AUC = 0.839;灵敏度 = 77%;特异度 = 85%)。据我们所知,这是第一项评估DL在MR成像上术前预测RC患者TDs可行性的研究。

作为直肠癌(RC)重要的预后因素,肿瘤沉积(TDs)的存在与神经周围、淋巴管或血管侵犯相关[31]。更重要的是,TDs与肿瘤的N分期相关,并对治疗策略的选择具有意义,例如,Nagtegaal等[32]证明,无论是否存在淋巴结转移(LNMs),伴有TDs的患者预后最差。Goldstein等也报道,当转移性淋巴结(LNs)数量不同时,伴有TDs的患者始终表现出更差的生存[33]。然而,TD分类的一个主要障碍是尚未建立通过肉眼传统影像学对TDs进行可靠诊断的方法[34]。因此,迫切需要一种客观且准确的术前预测RC患者TDs的评估方法,这在临床上具有重要意义。如果我们能够在术前预测TDs的存在,就可以避免高估患者预后并避免放弃新辅助放化疗(nCRT),这有可能显著改善患者结局并提高患者生存率。尽管既往文献[35, 36]已报道通过MR、CT和US图像的影像组学分析识别RC患者中的TDs,但影像组学特征量化对采集模式和矩阵大小敏感,肿瘤体积的勾画对影像组学特征的评估也至关重要[37]。另一方面,许多影像组学特征在相隔数周甚至15分钟采集的两次扫描之间被发现不稳定[38]。作为人工神经网络的一种特殊类型,深度学习可以直接从图像中自动提取高级特征,并因其基于图像的模式识别在医学分析中取得了令人瞩目的成功[39]。与既往影像组学分析相比,本研究中的深度学习(DL)模型可突出几个优势。第一,我们的研究纳入的患者多于既往研究(327例 vs 40~254例),更大的样本量可带来更低的偏倚和更好的模型可靠性,这一点由混合DL模型在开发数据集和独立测试数据集之间相似的性能所证实。第二,我们的研究使用了更多危险因素,包括临床特征、MR表现和血清生物标志物,这可以提供更有价值的信息并改善模型性能。第三,我们的DL模型采用端到端监督方法训练,避免了预先定义的手工影像组学特征的限制[40]。

有趣的是,在本研究中,我们发现纳入瘤周脂肪区域有助于基于DL的TD诊断,因为多DL模型在开发数据集和独立测试数据集中均取得了高于单DL模型的AUC。潜在机制可能是,TDs通过神经营养性血管外迁移和神经周围侵犯发生,这可能导致肿瘤区域周围的影像学改变[41, 42],因此对瘤周脂肪组织的分析可能有助于检测TDs。既往研究[20, 21]曾报道,瘤周直肠系膜脂肪在理解肿瘤微环境、预测肿瘤复发、评估直肠癌的侵袭性和异质性方面具有重要作用,而我们的发现与既往研究一致。

需要指出的是,本研究存在若干局限性。首先,作为单中心回顾性分析,本研究仅纳入经手术病理证实的直肠癌(RC)患者,选择偏倚可能不可避免,且我们的研究结果对更广泛患者人群的普适性可能受到影响。为解决这一局限性,应开展纳入更多患者的多中心研究,以增强结论的稳健性和外部有效性。其次,深度学习(DL)模型基于T2加权MR图像构建。在模型构建中纳入多MR序列可能有望提高模型对其他不同图像数据集的可靠性和适用性。因此,未来需要研究纳入其他MR序列(如弥散加权成像)的模型。第三,无法自动勾画目标区域和问题可能削弱模型的可重复性,未来需要使用能够自动勾画目标区域和问题的方法。

结论

已发现肿瘤沉积的存在与直肠癌患者的肿瘤分期和治疗策略均相关。无创识别肿瘤沉积(TDs)具有重要的临床意义。在本研究中,我们开发了四种不同的模型,比较其诊断性能,旨在为TD状态提供有价值的预测工具。此外,我们的研究显示,利用深度学习技术的模型表现优于单一影像组学模型或临床模型。具体而言,整合T2-MR图像和临床危险因素的混合DL模型表现出稳健的预测能力,有望成为预测直肠癌病例中TDs的有力工具,深度学习方法在临床环境中的应用前景广阔。

补充信息

附加文件1:补充图1。手动三维分割结果示例。补充图2。单DL模型(A)和多DL模型(B)的工作流程图和示意图。

引用

  1. Jin Y, Yin H, Zhang H, et al. Predicting tumor deposits in rectal cancer: a combined deep learning model using T2-MR imaging and clinical features. Insights Imaging. 2023. PMID: 38117396. doi:10.1186/s13244-023-01564-w
  2. 全文:PMC10733230(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10733230/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。