基于深度学习与影像组学的直肠癌T2/T3分期预测模型构建及临床价值研究

本研究针对直肠癌术前精准T分期难题，创新性结合深度学习(DL)与影像组学技术，通过ResNet-18网络提取高分辨率T2WI图像特征，构建12种机器学习模型。研究发现CA19-9(OR=1.447)和肿瘤最大直径(LD)(OR=5.117)是独立预测因子，XGBoost组合特征模型AUC达0.998，显著优于传统方法，为个体化治疗方案制定提供AI决策支持。

　　

直肠癌作为全球高发恶性肿瘤，其精准术前分期直接决定治疗策略选择。当前临床面临的核心矛盾在于：传统MRI对T2(肿瘤侵及固有肌层)与T3(突破固有肌层)分期的鉴别准确率不足，而这两种分期对应的治疗方案截然不同——T2患者可直接手术，T3患者则需先接受新辅助放化疗。这一"毫米级"差异的误判可能导致过度治疗或治疗不足，凸显出现有诊断技术的局限性。

烟台市烟台山医院的研究团队创新性地将人工智能技术与医学影像分析相结合，开展了这项前瞻性研究。通过分析361例经病理证实的T2/T3期直肠癌患者的高分辨率T2WI图像，团队构建了基于ResNet-18深度学习框架的12种预测模型。令人振奋的是，该研究不仅发现了CA19-9和肿瘤最大直径(LD)的关键预测价值，更开发出AUC达0.998的XGBoost组合特征模型，其性能远超传统方法。这项发表于《Current Problems in Surgery》的研究，为直肠癌精准医疗提供了可嵌入临床工作流的AI决策工具。

研究采用多学科交叉方法：1) 回顾性收集2019-2023年361例患者(100例T2，261例T3)的临床资料和3.0T MRI图像；2) 由资深放射科医师手动勾画肿瘤ROI(感兴趣区域)，提取1562个手工特征(HCR)和512个深度学习特征；3) 通过LASSO回归和Spearman相关性分析降维；4) 采用SVM(支持向量机)、KNN(K近邻)和XGBoost(极端梯度提升)三种算法构建12种预测模型；5) 通过AUC等指标评估模型性能。

【研究结果】

【General information】
训练集(n=262)与测试集(n=99)在年龄、性别等基线资料上无统计学差异(P>0.05)，确保分组可比性。

【Analysis of clinical imaging features and risk factors】
单因素分析显示LD、CEA和CA19-9在T2/T3组间差异显著(P<0.05)。多因素Logistic回归证实CA19-9(OR=1.447, 95%CI:1.150-1.820)和LD(OR=5.117, 95%CI:1.159-22.584)是独立预测因子。

【Building machine learning models】
关键发现包括：1) 组合特征模型性能全面优于单一特征模型(P<0.001)；2) XGBoost算法在训练集的AUC达0.998(95%CI:0.995-1.000)，灵敏度96.4%，特异性100%；3) 测试集验证显示模型具有良好泛化能力(AUC=0.966)。

【讨论与结论】
该研究突破性地实现了三个临床转化价值：首先，首次证实深度学习影像组学可精准区分T2/T3这一"关键分期阈值"，解决了传统MRI因纤维化干扰导致的"诊断灰区"问题。其次，创新性地将血清标志物CA19-9与影像特征融合，构建出生物学行为与解剖学改变相关联的预测体系。最重要的是，开发的XGBoost模型可直接整合至医院PACS系统，实现"一键式"分期评估，操作时间仅需2-3分钟。

研究也存在需改进之处：单中心设计可能影响模型普适性，且当前依赖单层图像分析可能低估肿瘤异质性。未来研究将探索三维全肿瘤体积分析，并通过多中心验证优化模型。这项成果标志着直肠癌分期诊断从"经验判断"迈向"AI量化"的新阶段，为实现个体化精准医疗提供了关键技术支撑。