文献速递腹部MR

MST-Net:基于术前T2WI的直肠癌T2/T3分期自动多尺度空间变换网络

MST-Net: a multi-scale spatial transformation network for automated T2/T3 staging of rectal cancer on preoperative T2-weighted MRI.
PubMed 文献 · Insights Imaging · 2026-09-04

本研究开发并验证了一种无需分割的深度学习模型MST-Net,用于基于术前T2加权MRI自动区分直肠癌T2与T3分期。模型在内部测试集(AUC 0.95,ACC 90%)和外部独立验证集(AUC 0.85,ACC 79%)上均表现良好,达到或超过高年资放射科医生水平。MST-Net有望为直肠癌个体化治疗决策提供可重复的辅助工具,减少分期结果对医生经验的依赖。

要点

  • MST-Net基于常规T2WI实现直肠癌T2/T3分期,无需手动勾画肿瘤ROI,直接输入含肿瘤层面即可预测。
  • 内部测试集AUC 0.95、外部验证集AUC 0.85,诊断性能与高年资医生相当,优于低年资医生。
  • T2期肿瘤局限肌层,T3期侵犯直肠周围脂肪,准确区分对是否需新辅助放化疗至关重要。

核心结论

  • MST-Net可在常规T2WI上实现无需分割的直肠癌T2/T3高分期限自动预测。
  • 内部测试集AUC 0.95(ACC 90%),外部独立验证集AUC 0.85(ACC 79%),诊断性能与高年资放射科医生相当。
  • MST-Net辅助可显著提高低年资和中年资放射科医生的T2/T3分期诊断准确率。

研究设计与样本

  • 回顾性多中心研究,共纳入309例经术后病理证实的直肠癌患者,其中中心1共270例,中心2共39例。
  • 中心1的270例按8:2随机分为训练集216例与内部测试集54例,中心2的39例作为独立外部验证集。
  • 中心1使用联影uMR770 3.0T MR扫描仪,中心2使用西门子Magnetom Skyra 3.0T MR扫描仪,均行术前常规T2WI检查。
  • 模型输入为含肿瘤的盆腔T2WI层面图像,统一缩放至224×224像素,金标准为术后病理T分期。

关键影像表现/征象

  • T2期肿瘤信号局限于固有肌层内,T3期肿瘤表现为穿透肌层向直肠周围脂肪的异常信号延伸。
  • Grad-CAM++热图显示MST-Net激活区域主要集中于肿瘤区域及T分期相关的周围解剖结构。
  • MST-Net通过金字塔跨阶段特征融合模块整合浅层纹理细节与深层语义信息,减少深层网络空间细节丢失。
  • 轻量级空间注意力机制(STAM)采用512→128→1通道压缩生成空间权重图,动态增强解剖关键区域的响应。

诊断标准与关键数值

  • 内部测试集:MST-Net AUC 0.95,ACC 90%,Precision 92%,Recall 91%,Specificity 87%,F1 0.91。
  • 外部独立验证集:MST-Net AUC 0.85,ACC 79%,Precision 82%,Recall 80%,Specificity 78%,F1 0.81。
  • 内部测试集中MST-Net AUC显著高于ResNet34(0.95 vs 0.92,p=0.037),其余竞争模型p均<0.001。
  • 外部验证集中MST-Net AUC显著高于ConvNeXt-tiny(0.85 vs 0.80,p=0.030),其余竞争模型p均<0.001。
  • 五折交叉验证:MST-Net平均ACC 86.8%±2.0%,平均Precision 90.0%±1.3%,平均Recall 88.2%±2.1%,平均Specificity 84.6%±1.6%,平均F1 0.89±0.01。

临床应用与阅片要点

  • 日常阅片可直接将含肿瘤的T2WI层面输入MST-Net获得T2/T3预测概率,作为第二意见辅助报告书写。
  • T2与T3的区分关键在于判断肿瘤有无穿透固有肌层向直肠周围脂肪延伸,MST-Net可对早期肌层外侵犯的细微征象提高敏感性。
  • 低年资和中年资医生在MST-Net辅助下诊断准确率显著提高,可减少因经验不足导致的分期误判。
  • MST-Net基于常规T2WI工作流程,无需额外序列或手动勾画,适合资源有限临床场景中的高效评估。

局限性

  • 外部验证集仅39例(中心2),样本量较小,模型跨中心泛化性需更大样本进一步验证。
  • 研究为回顾性设计,仅纳入接受手术切除并有术后病理的T2/T3期病例,存在选择偏倚。
  • 输入图像为放射科医生手动筛选的含肿瘤层面JPG格式切片,而非全容积DICOM数据,可能丢失层面间三维空间信息。
全文中译15 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. 2026 Sep 4;17:220. doi: 10.1186/s13244-026-02377-3

引言

结直肠癌(CRC)是全球范围内高度流行且具有侵袭性的消化系统恶性肿瘤。2022年的全球统计数据显示,结直肠癌新发病例约193万例,占所有新诊断癌症的9.6%,发病率居全球第三位。同期约有90.4万例死亡,占癌症相关死亡率的9.3%,使结直肠癌成为全球第二大癌症死亡原因 [1]。在中国,结直肠癌发病率和死亡率的上升主要归因于饮食模式和生活方式的变化 [2, 3]。

对于确诊为直肠癌的患者,精确的术前分期是治疗规划的基石,关键性地影响着关于新辅助治疗、手术切除范围以及最终预后结局的决策 [4]。T分期要素评估肿瘤浸润穿透直肠壁并侵入邻近结构的深度,对于分层治疗路径尤为关键。临床上,T2期肿瘤通常允许直接根治性切除,而T3期肿瘤通常需要新辅助放化疗以诱导肿瘤降期,从而降低局部复发风险并提高手术成功率 [5, 6]。因此,建立稳健且准确的术前区分方法,尤其是在关键的T2/T3交界处,具有极为重要的临床意义。

磁共振成像(MRI)在评估肿瘤浸润深度、区域淋巴结状态以及环周切缘(CRM)受累风险方面具有优势,这使其成为直肠癌术前T分期最重要且最可靠的影像学手段之一 [7]。然而,传统MRI分期在很大程度上依赖放射科医师对形态学征象的主观判读,其准确性仍然有限,且观察者间差异较大 [8–10]。放射科医师专业水平的差异可导致分期结果的显著不一致 [11–13]。此外,人工判读过程耗时较长,其客观性和可重复性受到限制。因此,迫切需要一种稳健的自动化方法来提高直肠癌T分期的精确性、一致性和客观性。

近年来,人工智能(AI)在医学图像分析中的应用迅速扩展,为直肠癌术前T分期提供了新的技术路径[14, 15]。既往研究探索了多种策略,包括整合多模态信息和影像组学融合建模[16–18]、结合特征选择的传统机器学习框架[19, 20],以及端到端深度学习模型及其集成方法[21, 22]。尽管这些方法在T2/T3自动判别方面取得了进展,但共同的瓶颈依然存在:影像组学和机器学习方法往往依赖手动分割和手工特征工程,耗时且对操作者专业水平高度敏感,其跨中心可重复性和泛化能力也易受扫描方案差异的影响。相反,一些深度学习方法仍面临训练数据量有限、模型对肿瘤边界和局部浸润征象的捕捉不足等挑战,且临床可解释性和稳健性仍需进一步验证。基于这些局限性,建立一个更稳健、更具泛化能力的自动化影像模型以准确区分T2和T3期,仍是临床上迫切需要解决的问题。

本文介绍了MST-Net,一种多尺度特征融合网络,专为直肠癌T2/T3期的免分割自动化精确分期而设计。该架构有效保留了浅层细节信息,同时整合了深层特征的丰富语义信息。此外,引入空间变换注意力机制(STAM)显著提高了模型对输入MRI扫描或中间特征图中存在的空间变形的鲁棒性,使其能够自适应地聚焦于肿瘤特定区域。关键的是,我们假设通过协同利用这些架构优势,MST-Net在区分T2与T3期方面可以达到与放射科专家相当或更优的诊断性能。总体而言,该方法有助于实现高精度的自动化分期,从而为优化临床决策过程提供有价值的工具。

材料与方法

研究人群

本研究使用多中心数据集来开发和验证所提出的模型。来自中心1的数据集A用于模型开发,包括训练和内部测试阶段。相比之下,来自中心2的数据集B专门保留用于独立外部验证,以严格评估泛化性。具体构成如下:数据集A由中心1回顾性收集的270例直肠癌患者组成(2022年6月至2025年1月),提供2486幅磁共振图像。其中包括110例T2期病例(1080幅图像)和160例T3期病例(1406幅图像)。数据集B包含对中心2的39例患者的回顾性分析(2020年1月至2025年1月),共产生346幅图像,其中T2期16例(154幅图像),T3期23例(192幅图像)。所有入组病例的T分期均经病理证实,作为诊断金标准。此外,所有纳入的MRI序列均须满足严格的质量标准,确保图像清晰且无明显运动伪影或金属畸变。每幅图像还必须清晰显示直肠肿瘤。T2和T3期的代表性T2WI示例见图1。纳入标准如下:(1)接受直肠癌手术切除且术后病理证实为T2或T3期的患者;(2)术前无盆腔放疗、化疗或靶向治疗史;(3)有完整的术前影像和临床资料。排除标准包括:(1)术前MRI序列不完整;(2)图像质量不足以进行分析;(3)缺乏相应的病理报告可供核实。数据收集流程总结于图2。从数据集A(中心1)中,患者按8:2的比例随机分配至训练集和测试集,更多细节见补充材料(表S1)。本研究遵循《赫尔辛基宣言》的原则进行,并经陆军军医大学第一附属医院伦理委员会批准(批准号:(B)KY2025272)。

图1 直肠癌代表性T2加权成像(T2WI)示例。第一行和第二行分别显示经病理证实为T2期和T3期的肿瘤 查看原图 ↗
图2 数据收集流程图 查看原图 ↗

MRI扫描方法

两个中心均进行常规T2WI检查。中心1使用联影uMR770 3.0 T(2022年)MRI扫描仪,中心2使用西门子Magnetom Skyra 3.0 T(2020年)MRI扫描仪;两套系统均配备腹部相控阵线圈。检查前,患者进行肠道准备,包括隔夜禁食。所有患者在扫描期间均取仰卧位。施加适当的腹部压迫以尽量减少运动伪影。各中心的具体扫描参数见表1。所有磁共振成像(MRI)图像均以JPG格式导出,包含肿瘤的层面由一位具有超过15年临床经验的放射科医师选取。

表1 直肠MRI扫描关键参数 查看原表 ↗

MST-Net模型的构建

本研究提出了一种名为 MST-Net 的深度卷积神经网络,其基于多尺度空间变换架构。该模型旨在通过两个核心组件提升图像分类性能:多尺度特征融合(MSFF)和空间变换注意力机制(STAM)。如图 3 所示,整体架构包括输入图像处理、特征提取、多尺度融合、注意力增强和分类输出。在输入网络之前,所有输入图像均被调整为 224 × 224 像素,以确保统一的输入维度。在模型训练过程中,进行了数据增强以提高模型鲁棒性。增强策略包括随机翻转和对比度调整。MST-Net 被设计为一种图像输入后无需分割的自动分类模型。与基于影像组学或基于感兴趣区(ROI)的方法不同,它不需要手动肿瘤分割、ROI 勾画或手工特征提取。含肿瘤的盆腔 T2WI 切片直接上传至网络,MST-Net 自动提取多尺度特征以生成最终的 T2/T3 分期预测结果。

我们模型的一个关键创新是基于金字塔的跨阶段特征融合模块。该模块首先应用自适应平均池化,将来自不同层级层的特征图归一化到统一的 7 × 7 空间分辨率。随后,1 × 1 卷积层调整每个阶段的通道维度,将其减少至总输出通道数的四分之一。然后,精炼后的特征图沿通道维度拼接,并采用 3 × 3 卷积促进跨尺度特征交互。该设计有效缓解了深度网络中的典型局限性,即更深层语义信息的增强以牺牲较浅层表示的空间细节为代价。详细的 MSFF 方法见补充材料(附录 E1 和附录图 S1)。

此外,还集成了一个受空间变换器启发的轻量级注意力模块。它采用通道压缩策略(512 → 128 → 1)生成空间权重图,并通过 Sigmoid 函数进行归一化。归一化后的权重通过逐元素乘法应用于融合特征,动态增强输入图像中解剖关键区域的响应。详细的 STAM 方法见补充材料(附录 E2 和图 S2)。

总体而言,MSFF 机制确保了浅层细节边缘特征与深层高级语义特征的整合。作为补充,STAM 增强了模型对诊断相关区域的关注。这种组合方法提高了对 T2WI 中 T2 期和 T3 期直肠癌之间细微差异的敏感性。

图 3 本研究整体工作流程图。MSFF,多尺度特征融合;STAM,空间变换注意力机制;FC,全连接层 查看原图 ↗

实验环境与参数设置

本研究使用的实验硬件配置包括Intel® Core™ i5-14450HX CPU、NVIDIA GeForce RTX 4060 GPU(8.0 GB独立显存)。软件配置如下:操作系统为Windows 11,开发环境为PyCharm,运行环境为Python 3.9,CUDA版本为11.3,深度学习框架为PyTorch 1.12.1。模型训练过程中,每个epoch后监测验证集上的受试者工作特征曲线下面积(AUC)。采用基于最大验证AUC的模型选择策略。保留验证AUC最高的epoch对应的模型参数作为最终模型用于后续评估。MST-Net的详细参数见补充材料(表S2)。

统计分析

所有统计分析均使用Python(版本3.9)进行,主要依赖scikit-learn、statsmodels、scipy、pandas、numpy和matplotlib库。符合正态分布的定量资料以均数±标准差(x̄ ± s)表示,分类变量以频数和百分比(%)表示。为客观评估模型的分类性能,我们采用了以下评价指标:准确率(Acc)、精确率(Pre)、召回率(Rec)、特异度(Spe)、F1分数、受试者工作特征曲线下面积(AUC)及受试者工作特征(ROC)曲线。采用DeLong检验比较MST-Net模型与对照模型的判别能力,采用McNemar检验评估MST-Net与三位医师评估之间的诊断差异。p < 0.05认为差异有统计学意义。各指标的定义见补充材料(附录E3)。

结果

研究队列的基线特征

数据集A共纳入270例直肠癌患者,数据集B共纳入39例患者。在数据集A中,平均年龄为60.7 ± 11.4岁,男性171例(63.3%)。病理T2期和T3期分别占110例(40.7%)和160例(59.3%)。病理N分期分布为:N0期147例(54.4%),N1期67例(24.8%),N2期56例(20.7%)。肿瘤位于低位、中位和高位直肠的分别有108例(40.0%)、125例(46.3%)和37例(13.7%)。血清CEA水平≤5 ng/mL者162例(60.0%),>5 ng/mL者108例(40.0%)。在数据集B中,平均年龄为64.2 ± 13.6岁,男性23例(59.0%)。病理T2期和T3期病例数分别为16例(41.0%)和23例(59.0%)。病理N0、N1和N2期分别为21例(53.8%)、10例(25.6%)和8例(20.5%)。低位、中位和高位直肠肿瘤分别见于7例(17.9%)、21例(53.8%)和11例(28.2%)。血清CEA水平≤5 ng/mL者25例(64.1%),>5 ng/mL者14例(35.9%)。详细的人口学及临床病理特征汇总见表2。

表2 数据集A和数据集B的患者特征 查看原表 ↗

模型结果

基于数据集A,采用五折交叉验证进一步评估了MST-Net的性能,结果总结在补充材料中(表S3)。MST-Net的平均准确率为86.8% ± 2.0%,平均精确率为90.0% ± 1.3%,平均召回率为88.2% ± 2.1%,平均特异度为84.6% ± 1.6%,平均F1分数为0.89 ± 0.01。这些结果表明,MST-Net在直肠癌T2/T3分期任务中取得了稳定的性能。

消融实验

为了进一步评估各组件对直肠癌T2/T3分期的贡献,使用数据集A进行了实验。基线模型采用与MST-Net相同的主干网络和分类器,但移除了MSFF模块和STAM。如表3所示,单独加入STAM或MSFF均将基线模型的AUC从0.92提升至0.94,与基线模型相比差异具有统计学意义(分别为p = 0.026和p = 0.034)。完整的MST-Net模型取得了最佳性能,准确率为90%,AUC为0.95。与基线模型相比,MST-Net的AUC有显著提升(p = 0.003),表明多尺度特征融合与空间注意力的整合有效增强了模型性能。

表3 消融实验结果 查看原表 ↗

与现有方法的比较

为评估MST-Net的优越性,使用相同的内部测试集和独立外部验证集与主流分类网络进行了对比实验[23–29]。定量结果总结于表4,ROC曲线如图4所示。MST-Net与各对比模型之间AUC的差异采用DeLong检验进行评估。

在内部测试集上,MST-Net取得了最佳综合性能,准确率为90%,精确率为92%,召回率为91%,特异度为87%,F1分数为0.91,AUC为0.95。MST-Net的AUC显著高于所有对比模型,包括在内部测试集上AUC第二高的ResNet34(AUC:0.95 vs. 0.92,p = 0.037)。对于其余模型,差异更为显著,所有p < 0.001。在独立外部验证集上,MST-Net同样取得了最高性能,准确率为79%,精确率为82%,召回率为80%,特异度为78%,F1分数为0.81,AUC为0.85。其AUC显著高于所有其他模型,其中与ConvNeXt-tiny的差异最小(AUC:0.85 vs. 0.80,p = 0.030),其余所有比较的p值均< 0.001。

总体而言,与现有分类网络相比,MST-Net表现出了优越且具有统计学显著性的性能,支持了其在术前T2加权MRI上对直肠癌进行自动化T2/T3分期的稳健性和泛化能力。

图4 ROC曲线比较图。a 测试集上的ROC曲线;b 外部验证集上的ROC曲线 查看原图 ↗
表4 与现有方法的比较 查看原表 ↗

模型可解释性

采用Grad-CAM++为MST-Net提供可视化可解释性[30]。如图5所示,激活图直观地突出了与T分期相关的肿瘤区域及周围解剖区域。这些发现为MST-Net的可解释性提供了定性支持。

图5 不同模型的热力图比较 查看原图 ↗

MST-Net、医师及医师联合MST-Net的比较

为进一步评估 MST-Net 的临床适用性,我们开展了一项读片研究,纳入三位不同年资的放射科医师:初级、中级和高级医师(分别标记为医师 1、2、3)。所有医师在同一内部测试集和独立外部验证集上独立评估 T2/T3 分期。在无辅助读片阶段,医师对患者临床信息、病理诊断、模型预测以及其他读片者的评估均不知情。经过 3 周洗脱期后,同批医师在 MST-Net 辅助下重新评估病例。在 MST-Net 辅助阶段,病例顺序再次随机化以减少回忆偏倚。MST-Net 辅助以模型预测的 T 分期及相应预测概率的形式提供。采用 McNemar 检验比较医师在 MST-Net 辅助前后的诊断表现,结果汇总于表 5 及补充材料(表 S4)。

MST-Net 展现出与高级放射科医师相当的诊断性能,并显著优于初级和中级医师。此外,在 MST-Net 模型辅助下,初级和中级医师的诊断准确率显著提高。这些结果表明,该模型有潜力作为一种重要的决策支持工具,实现更全面、更精确的诊断,同时降低误诊和漏诊风险。通过提供高度一致且客观的评估结果,MST-Net 有效减轻了临床医生的工作负担并提高了诊断效率,这在资源有限的临床环境中尤为有益。这些发现凸显了 MST-Net 在提高直肠癌 T2/T3 分期评估的客观性和一致性方面的潜在价值。

表 5 医师与 MST-Net 分类的表现 查看原表 ↗

讨论

在本研究中,我们开发并验证了 MST-Net,这是一种无需分割的自动化深度学习模型,用于利用术前 T2 加权 MRI 区分 T2 与 T3 期直肠癌。该模型在内部测试集和独立外部验证队列中均表现出良好的性能,提示其有潜力作为一种基于影像的客观工具用于术前 T 分期。通过将金字塔式跨阶段特征融合与轻量级空间注意力机制相结合,MST-Net 旨在同时捕获局部肿瘤-肠壁细节和更广泛的直肠周围背景信息,这对于区分局限于固有肌层的病变与早期壁外肿瘤浸润至关重要。

使用MRI对直肠癌进行准确的术前分期,特别是区分T2期与T3期病变,是指导合理治疗策略的基础 [31, 32]。高分辨率MRI可清晰显示肿瘤在直肠壁内的浸润深度及其与直肠系膜筋膜和周围解剖结构的关系。T2期肿瘤局限于固有肌层,而T3期肿瘤则表现为跨壁延伸至直肠周围脂肪 [33]。这一区分具有重要的临床意义,因为T2期病变可通过局部切除处理,而T3期肿瘤通常需要在手术前接受新辅助放化疗,以降低环周切缘受累的风险。分期不准确可能导致过度治疗或治疗不足,二者均可能对患者预后产生不利影响。因此,本研究的临床价值在于其有望减少因分期不确定性所致的管理失误,从而通过更可靠的影像学指导支持直肠癌的精准医疗。

使用T2WI的深度学习方法为自动化区分T2期与T3期直肠癌提供了广阔前景。精确的T分期对于避免早期疾病的不必要治疗至关重要 [34, 35]。在此背景下,MST-Net被开发用于提供一种免分割的T2/T3区分自动化框架。其金字塔式跨阶段特征融合模块将高分辨率浅层特征与更深层的语义表征相结合,而轻量级空间注意力机制则自适应地突出与分期相关的区域并抑制背景干扰。该设计可能提高对与早期肠壁外侵犯相关的细微影像特征的敏感性。

与近期相关研究相比,本研究为深度学习在直肠癌术前T2/T3鉴别中的价值提供了更多证据。Lin等人基于高分辨率T2WI构建了一个DenseNet模型,纳入了来自4个中心的多中心队列共281例患者[25];其中来自3个中心的255例患者用于模型开发,来自第4个中心的26例患者用于外部测试。其模型在训练队列中的AUC为0.810,在外部测试队列中为0.715,在T2/T3鉴别方面优于有经验的放射科医生。相比之下,本研究纳入了来自2个中心的309例患者,其中来自中心1的270例患者用于模型开发和内部测试,来自中心2的39例患者用于独立外部验证。尽管Lin等人的研究纳入了更多的参与中心,但本研究的总体样本量略大,且外部验证队列更大。在方法学上,两项研究在工作流程和临床适用性方面也存在差异。Lin等人使用的基于DenseNet的框架需要在预处理和模型预测之前对选定图像层面进行人工ROI勾画。因此,其方法可视为半自动的,人工分割步骤可能增加放射科医生的工作量,并引入操作者依赖性变异。相比之下,MST-Net被设计为一种无需分割的自动图像分类框架。术前T2WI图像直接输入网络后,模型即可生成T分期预测,无需人工ROI分割。这种自动化设计可减少操作者依赖性,更好地适应常规临床工作流程。此外,与传统的基于主干网络的分类模型不同,MST-Net整合了金字塔式跨阶段特征融合和轻量级空间注意力机制,这可能有助于本研究观察到的良好性能。这些差异表明,两项研究为深度学习在T2/T3鉴别中的可行性提供了互补性证据,而本研究进一步强调了自动化、工作流程效率和外部验证。

从临床角度看,MST-Net可能提供若干实际益处。首先,它可能减少阅片者间的变异,尤其是在T2/T3临界病例中,促结缔组织增生反应与真实肿瘤浸润的区分具有挑战性。其次,该模型可作为放射科医生的第二阅片工具,通过识别T3病变概率较高的病例,支持更一致的多学科治疗决策。第三,由于MST-Net使用常规术前T2WI,可将其整合到常规MRI工作流程中,无需额外的成像序列或对比剂给药。这对临床转化尤为重要,因为基于广泛可用序列的模型更有可能在不同机构间被采纳。此外,MST-Net展现了良好的临床效率,平均推理速度为每秒82.83幅图像,提示其可在实际临床实践中提供快速分期支持。因此,MST-Net可为治疗分层提供定量支持,尤其是在放射科医生经验水平参差不齐的中心。

混淆矩阵进一步揭示了具有临床意义的错误分类模式。如图6所示,对这些矩阵的分析揭示了特定的错误分类模式。在测试集中,23张T2期图像被错误分类为T3,而在外部验证集中,34张T2期图像被错误分类为T3。这种过度分期的一个可能原因是肿瘤周围炎性反应或增生性纤维组织(促结缔组织增生)的存在,这些组织在T2WI上可表现为类似肿瘤的信号异常(如毛刺状或条索状信号),使得模型难以将其与超出固有肌层的真实肿瘤浸润可靠地区分开来。在测试集中,25张T3期图像被错误分类为T2。这种低分期可能与有限的空间分辨率、小体积的壁外侵犯或难以与邻近正常组织区分的肿瘤延伸有关。

尽管本研究提出的自动化分期模型表现令人满意,但仍有若干局限性值得考虑。首先,尽管纳入了独立的外部验证队列,但参与中心的数量和外部队列的规模仍然有限。此外,内部数据集使用联影设备采集;同样,外部验证集来自另一个使用西门子扫描仪的单中心。扫描仪厂商、采集参数、信噪比和空间分辨率的差异可能影响模型性能。需要更大规模的多中心研究,纳入更广泛的扫描仪和方案异质性,以进一步验证MST-Net的稳健性和泛化能力。第二,本研究仅依赖单一成像模态。尽管T2WI是直肠癌局部分期的核心序列,且在常规临床实践中广泛可用,但仅凭T2WI可能无法完全反映肿瘤的生物学行为。未来研究应探索多模态融合框架,纳入弥散加权成像、动态对比增强MRI、临床变量、血清生物标志物和病理特征,以提供对肿瘤浸润深度更全面的评估。第三,本模型是为T2/T3二分类判别而开发的,未根据壁外浸润深度对T3病变进行进一步细分。由于壁外扩散程度对风险分层和治疗计划同样具有临床意义,未来工作应研究MST-Net是否可以扩展到更详细的T亚分类任务。最后,需要前瞻性验证和读者辅助研究来确定该模型能否在真实临床实践中提高放射科医生的诊断表现、报告一致性和临床决策能力。

综上所述,MST-Net利用术前T2WI在直肠癌T2/T3期自动分期中展现了良好的性能。通过将金字塔式跨阶段特征融合与轻量级空间注意力相结合,该模型改善了与分期相关的空间信息的提取,并在内部和外部验证中均取得了稳定的性能。与既往基于半自动ROI的深度学习方法相比,MST-Net可为术前T2/T3分期提供一种更高效、可重复且临床可部署的解决方案。这些发现支持其作为一种基于影像的决策支持工具,用于直肠癌个体化治疗规划的潜力。

图6 所提出模型的混淆矩阵。a 测试集上的混淆矩阵;b 独立外部验证集上的混淆矩阵 查看原图 ↗

结论

总之,本研究表明,MST-Net能够基于术前T2加权MRI实现直肠癌T分期的自动化、高精度分类。该模型专门用于判别关键的T2/T3分期边界,而这一边界是治疗决策的关键阈值。在对比实验中,MST-Net超越了现有的主流分期方法,在内部测试集上取得了超过90%的一致准确率和召回率。值得注意的是,该模型在独立外部验证集上保持了稳健的诊断性能,凸显了其较强的泛化能力以及对窄数据分布过拟合的抵抗性。这些发现证实,MST-Net不仅为精确T2/T3分期提供了一种技术上的创新方案,而且为个体化新辅助治疗、指导手术切除策略以及改善预后评估提供了一种潜在的决策支持工具。因此,所提出的框架在肿瘤影像的临床转化和实际应用中展现出相当大的前景。

补充信息

电子补充材料

引用

  1. Liu, Yin, Ran, et al. MST-Net: a multi-scale spatial transformation network for automated T2/T3 staging of rectal cancer on preoperative T2-weighted MRI. Insights Imaging. 2026. PMID: 42698053. doi:10.1186/s13244-026-02377-3
  2. 全文:PMC13545167(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13545167/

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。