基于多模态数据和多任务深度学习的直肠癌预后预测模型：一项多中心回顾性研究

本研究针对直肠癌患者预后预测的临床挑战，开发了一种整合临床病理数据和多参数磁共振成像(MRI)的多任务深度学习模型。该模型无需肿瘤分割即可同步预测复发/转移和无病生存期(DFS)，在训练集、内部测试集和外部测试集中分别达到AUC 0.885/0.846/0.797和C-index 0.812/0.794/0.733，显著优于单模态模型。这项发表于《BMC Medical Informatics and Decision Making》的研究为直肠癌个体化治疗决策提供了智能化工具。

　　

直肠癌作为全球高发的消化道恶性肿瘤，尽管治疗策略不断优化，但术后长期生存率仍未见显著提升。当前临床依赖的TNM分期系统存在明显局限：既无法反映肿瘤生物学行为的个体差异，也忽视了多模态医学数据中潜藏的预后信息。尤其对于直接接受全直肠系膜切除术的患者群体，缺乏精准的预后预测工具导致临床难以实施个体化干预。这一现状催生了对智能化预后评估体系的迫切需求。

复旦大学附属肿瘤医院联合上海中医药大学附属曙光医院等五家医疗中心，开展了一项开创性研究。团队开发了基于UNETR和自注意力神经网络(SNN)的多任务深度学习框架，首次将扩散峰度成像(DKI)参数与常规临床病理特征融合，构建了无需人工肿瘤分割的自动化预后预测系统。这项发表于《BMC Medical Informatics and Decision Making》的研究，通过321例患者的 multicenter 队列验证，证实该模型能同步精准预测复发/转移风险和DFS，为临床决策提供了双重风险评估维度。

关键技术方法包括：1) 从5家医院收集321例直接手术的直肠癌患者多参数MRI(DKI/T2WI等)和临床病理数据；2) 采用UNETR提取图像特征，SNN处理临床数据，通过卷积块注意力模块(CBAM)实现特征融合；3) 设计双任务输出头分别预测复发/转移(分类任务)和DFS(离散时间生存分析)；4) 采用综合损失函数平衡多任务学习，在独立测试集验证模型性能。

研究方法与结果

研究设计与参与者
这项回顾性研究严格遵循TRIPOD规范，纳入5个中心2014-2025年间接受直接手术的321例直肠腺癌患者。创新性地采用80/20比例划分训练/内部测试集，并设置完全独立的56例外部队列验证。排除标准特别强调术前治疗史和影像质量，确保数据同质性。

数据采集与预处理
研究亮点在于整合了常规T2加权成像与功能学参数：通过Body Diffusion Toolbox计算DKI衍生参数D_app
(校正扩散系数)、K_app
(峰度系数)及传统ADC值。临床数据涵盖CEA、CA19-9等12项预后相关指标。针对数据不平衡问题，采用KNN算法填补缺失值，并对少数类实施3D旋转/高斯模糊等针对性增强。

深度学习方法
模型架构突破体现在三方面：1) 并行双编码器设计保持模态特异性，UNETR通过Transformer注意力机制捕捉图像长程依赖；2) SNN采用特征维和样本维双重注意力挖掘临床数据非线性关联；3) 创新性将生存分析转化为离散时间分类任务，与复发预测形成协同优化。训练采用λ₁
=λ₂
=1的复合损失函数，避免单任务主导。

预后性能验证
多模态模型展现出卓越的泛化能力：在预测复发/转移任务中，外部测试集AUC达0.797，显著优于单图像模型(0.595)和单临床模型(0.742)。生存预测方面，模型C-index在外部验证仍保持0.733，成功将患者分层为显著差异的生存组(HR=6.36, p<0.001)。值得注意的是，模型在TNM I期亚组仍保持显著分层能力(p<0.001)，突破了传统分期局限。

可视化与比较
通过激活映射生成的热力图显示，模型能自动聚焦肿瘤浸润前沿等高危区域，与CNN基线模型的弥散性关注形成对比。在方法学比较中，该模型全面超越TMSS等现有方案(AUC提升20.6%，C-index提高14.6%)，证实多任务学习和注意力机制的有效性。

结论与展望
该研究建立了首个融合DKI功能影像与临床病理的多任务预后预测系统，其核心价值在于：1) 通过端到端训练消除人工分割依赖，实现临床流程无缝衔接；2) 利用DKI参数反映肿瘤微结构异质性，突破传统形态学局限；3) 双任务协同机制使短期复发风险和长期生存预测相互增强。

局限性如回顾性设计、DKI扫描协议未标准化等有待后续解决。团队计划开展前瞻性临床试验验证模型在辅助治疗决策中的实际价值，并探索将该框架拓展至新辅助治疗人群。这项研究为AI驱动的精准肿瘤学提供了范式转移，其方法论创新对其它癌种的预后建模具有重要借鉴意义。