基于注意力机制的多参数MRI集成模型预测直肠癌患者肿瘤出芽分级

为解决直肠癌(RC)患者肿瘤出芽(TB)分级预测难题，研究人员开发了基于CrossFormer架构的多参数MRI(T2WI/DWI)深度集成模型。该研究纳入458例患者，通过Transformer注意力机制融合双序列特征，最终模型在内外验证集分别达到0.868和0.839的AUC值，显著优于单序列模型(P>0.05)，为个体化治疗决策提供影像组学新工具。

　　在这项突破性研究中，科学家们构建了一个智能影像分析系统，专门解码直肠癌(rectal cancer, RC)的"微观指纹"——肿瘤出芽(tumor budding, TB)。研究团队巧妙地将Transformer的注意力机制与CrossFormer架构结合，让T2加权成像(T2WI)和扩散加权成像(DWI)两种MRI序列展开"跨模态对话"。就像训练一位经验丰富的影像科专家，模型通过458例患者的临床数据学习识别肿瘤微环境的细微特征。有趣的是，这个"数字专家"在测试中展现出惊人的判断力：不仅能准确区分TB分级（内部验证AUC 0.868），还能适应不同医疗机构的设备差异（外部验证AUC 0.839）。决策曲线分析(DCA)更揭示，在临床最关键的10-80%风险阈值区间，该模型可为医生提供显著的决策支持。这项研究为精准医疗时代提供了智能化的"影像显微镜"，让原本隐匿的肿瘤生物学行为变得可视化，有望指导手术方案选择和术后随访策略优化。