深度学习分割模型COALA在结直肠癌肝转移患者放射工作流程中的评估与应用价值

为解决结直肠癌肝转移(CRLM)患者肿瘤总体积(TTV)评估的临床难题，荷兰阿姆斯特丹大学医学中心团队开发了基于深度学习的COALA自动分割模型，并将其整合至放射科影像归档系统(PACS)。研究通过57例患者112次增强CT扫描验证，75%放射专家认为模型操作友好，同时识别出小病灶、异质性病灶及肝缘病灶的改进方向。该成果发表于《Insights into Imaging》，为人工智能模型临床转化提供了"多学科协作-方法学验证-终端用户反馈"的三重实施范式。

　　

在结直肠癌肝转移(CRLM)的临床管理中，肿瘤总体积(TTV)已被证实是预测患者生存的关键指标。然而传统手工勾画方法存在耗时费力、观察者间变异大等问题，使得TTV这一影像学生物标志物难以常规应用于临床。更棘手的是，当前多数人工智能分割模型仅停留在研发阶段，缺乏临床工作流程验证，形成从实验室到病床间的"死亡之谷"。

荷兰阿姆斯特丹大学医学中心联合癌症中心的研究团队开发了名为COALA(COlorectal cAncer Liver metastases Assessment)的深度学习分割模型。这项发表在《Insights into Imaging》的研究创新性地将模型整合至放射科影像归档系统(PACS)，通过真实临床场景验证其可用性。研究纳入2023年经多学科会诊的57例CRLM患者，对其112次门静脉期增强CT扫描进行自动分割，并邀请8位经验丰富的腹部放射科专家进行系统评估。

关键技术方法包括：采用自学习策略训练3D U-Net级联网络模型，通过5折交叉验证确保稳健性；构建基于DICOM标准的医院信息系统集成方案，实现PACS与高性能计算集群的数据交互；设计结构化问卷采集终端用户反馈，重点关注分割准确性、系统整合度及临床决策支持价值。

研究结果显示：

1. 工作流程整合性：75%放射科医师认为模型操作友好，50%认可其在治疗前后评估中的实用性。
2. 分割性能特征：37.5%专家认为整体分割准确，但对直径<1cm病灶、伴有钙化的异质性病灶及毗邻膈肌/心脏的亚被膜病灶识别存在局限。
3. 临床转化价值：62.5%参与者愿意参考模型结果进行临床决策，特别对RECIST1.1标准中要求的最大两个病灶测量自动化表示期待。

讨论部分指出三项关键实施经验：

1. 多学科协作机制：贯穿开发全程的"临床医生-放射科医师-工程师"三角协作模式，确保技术开发与临床需求的精准对接。
2. 方法学前置验证：在模型开发前完成外部验证研究，证实其在独立队列中的泛化能力。
3. 早期用户参与：通过开发阶段的反馈会与正式评估相结合，快速迭代优化系统功能。

该研究的突破性意义在于：首次实现CRLM自动分割模型在真实放射工作场景中的系统性验证，为人工智能影像工具的临床转化树立了可借鉴的范式。特别值得注意的是，研究团队刻意选择包含术后改变、复发病例的"真实世界"人群进行测试，而非仅限临床试验的"理想"患者，这种设计显著增强了研究结果的临床外推价值。未来通过完善病灶自动追踪、治疗反应量化等功能，COALA模型有望成为CRLM精准诊疗的重要决策支持工具。