编辑推荐：
【编辑推荐】为解决直肠癌（RC）患者术前同步肝转移（SLM）精准诊断难题，研究人员构建基于多参数 MRI 和临床特征的深度学习（DL）模型。结果显示，联合模型 AUC 达 0.887（原发队列）和 0.876（验证队列），为个体化影像策略提供新工具。
结直肠癌是全球癌症相关死亡的第二大病因，其中直肠癌约占三分之一。约 15%-25% 的直肠癌患者在初诊时即存在同时性肝转移（SLM），而手术仍是潜在治愈手段，但仅 25% 患者符合手术条件。早期精准诊断 SLM 对治疗决策和预后改善至关重要。然而，传统影像方法如 CT、MRI 对小病灶（<1 cm）敏感性有限，PET-CT 成本高且有辐射，依赖定性分析的传统手段难以满足临床需求。因此，开发无创、高效的 SLM 预测工具成为迫切需求。
福建医科大学临床肿瘤学院与福建医科大学附属协和医院的研究人员开展了一项回顾性研究，旨在利用深度学习（DL）技术，基于治疗前多参数磁共振成像（MRI）和临床数据构建 SLM 预测模型。该研究成果发表在《BMC Medical Imaging》。
研究纳入 176 例原发队列（福建医科大学附属机构）和 31 例外周验证队列（另一机构）患者，采用多参数 MRI（包括 T1WI、T2WI、DWI、T1CE 及 ADC 图）和临床特征（性别、原发肿瘤部位、CEA、CA199 水平）。研究构建了三种模型：仅临床特征的 CF 模型、仅 MRI 的 DL 模型、联合临床特征与 MRI 的 Combined DL 模型，并通过 5 折交叉验证和外部验证评估性能。
研究主要技术方法包括：①影像预处理：采用 SPM12 进行刚性配准，标准化信号强度，随机裁剪、翻转、旋转数据增强；②模型构建：基于 ResNet 架构构建 2D DL 模型，输入包含 5 通道 MRI 图像，临床特征通过全连接层融入网络；③统计分析：运用 ROC 曲线、DCA 曲线评估模型效能，比较 AUC 值验证模型差异。
临床特征与模型性能
原发队列中，SLM 组与非 SLM 组在原发肿瘤部位、CEA、CA199 水平上存在显著差异（P<0.05）。验证队列中，CEA 和 CA199 水平差异仍显著。
模型诊断效能
在原发队列中，Combined DL 模型 AUC 为 0.887（95% CI: 0.834, 0.940），显著高于仅 MRI 的 DL 模型（AUC=0.788, P=0.010），略高于 CF 模型（AUC=0.816, P=0.064）。其准确性（ACC）、敏感性（SEN）、特异性（SPE）分别达 85.8%、80.6%、89.4%。在验证队列中，Combined DL 模型 AUC 为 0.876，同样优于其他模型，显示出较好的泛化能力。DCA 曲线证实该模型具有临床净获益。
模型优势与局限
联合模型整合多参数 MRI 的影像特征与临床生物标志物，克服了传统影像定性分析的主观性，尤其在小病灶（<3 cm）检测中，其敏感性显著优于单纯临床模型。然而，研究存在样本量较小、未纳入 3D 容积分析、缺乏深度可解释性分析等局限，需未来多中心前瞻性研究验证。
研究结论表明，基于多参数 MRI 和临床特征的 Combined DL 模型在预测直肠癌患者 SLM 方面表现优异，为临床提供了一种无创、高效的风险分层工具。该模型可辅助制定个体化影像检查策略，减少不必要的有创检查和医疗资源浪费，有望改善直肠癌患者的诊疗流程和预后。其整合影像与临床数据的思路为肿瘤精准诊断提供了新范式，推动了深度学习在医学影像领域的实际应用。
