编辑推荐：
局部晚期直肠癌（LARC）患者新辅助放化疗（nCRT）疗效评估面临挑战，如 CT 数据冗余、标记数据缺乏。研究人员提出新学习框架，用 EIA-Net 和 IOC-SSL 技术。结果显示该方法 AUC 达 0.8562，能辅助临床决策，提升患者治疗效果。
在医学领域，癌症治疗一直是备受瞩目的难题，而局部晚期直肠癌（LARC）的治疗更是挑战重重。目前，LARC 的标准治疗方案是全直肠系膜切除术（TME）联合术前新辅助放化疗（nCRT） 。虽说大约 30% 的患者在接受术前 nCRT 后能达到病理完全缓解（pCR），进而避免手术及相关并发症，但临床反应的异质性以及根治性手术的风险，让精准预测患者对标准治疗的反应变得极为迫切。
肿瘤回归分级（TRG）是评估 nCRT 临床反应的重要指标，美国癌症联合委员会（AJCC）的 TRG 分期系统将患者分为 4 组 。然而，要准确预测个体患者的治疗反应，从而实现个性化医疗，困难重重。医学影像在结直肠癌的诊疗中至关重要，对比增强 CT 能提供丰富的信息，可用于评估直肠癌的血供状况，助力医生制定个性化治疗方案。但在实际应用中，获取标记的医学图像不仅耗费大量资源和时间，而且医学图像成像原理复杂，需要领域专家进行标注，这使得标记数据极为有限。同时，CT 数据维度高，存在大量冗余信息，干扰网络训练，影响模型性能。
为了解决这些难题，国内研究人员开展了一项意义重大的研究。他们提出了一种全新的学习框架，旨在自动预测 LARC 患者对 nCRT 的反应。研究成果发表在《Computerized Medical Imaging and Graphics》上。
研究人员用到的主要关键技术方法包括：构建了大规模 3D CT 图像自监督数据集，该数据集由 10 个公开数据集合成，包含 1394 个体积的 122445 次扫描，同时收集了临床数据集；开发了 Expand Intensive Attention Network（EIA-Net），通过级联 3D 卷积和坐标注意力机制增强特征提取能力；提出实例导向协作自监督学习（Instance-Oriented Collaborative Self-Supervised Learning，IOC-SSL），利用未标记数据训练，减少对标记数据的依赖。
下面来看看具体的研究结果：
- nCRT 疗效预测性能验证：研究人员将其方法与先进的深度学习方法在 26 例 LARC 患者的 nCRT 反应预测测试数据上进行比较。为确保公平，所有模型在同一程序中基于相同数据进行训练和测试，模型中所有分类器的最后全连接层输出通道设为 2，以预测 pCR 和非 pCR，并使用交叉熵损失进行二分类模型训练。结果显示，该方法在预测接受 nCRT 的 LARC 患者 pCR 时，获得了 0.8562 的 AUC 评分，优于其他方法。
- 探索与生存时间的关系：新辅助放化疗后手术切除仍是 LARC 患者的金标准治疗方案，但随着医学发展，非手术治疗逐渐受到关注。研究人员利用 Kaplan-Meier 分析评估了经 EIA-Net 预测分层的患者的生存结局，发现 EIA-Net 预测为 pCR 的患者总体生存率（OS）优于非 pCR 的 LARC 患者。
- 低位直肠癌肛门保留预测：回顾性研究表明，基于影像的低位直肠癌患者 pCR 预测可帮助临床医生决定是否需要进行 Miles 手术，从而提高保肛的可能性，该预测的 AUC 为 0.8222。
综合来看，研究结论是该研究提出的基于 EIA-Net 和 IOC-SSL 的方法，能有效预测 LARC 患者对 nCRT 的反应，在生存时间估计和低位直肠癌保肛预测方面展现出巨大潜力。这一研究成果为临床决策提供了有力支持，为个性化治疗策略的制定提供了新的工具，有望改善 LARC 患者的治疗效果，在医学领域具有重要的临床应用价值，为未来 LARC 的治疗和研究开辟了新的方向。
