基于大模型辅助的多参数MRI全自动预测直肠癌新辅助放化疗疗效的Rectal-RadioSAM研究

针对直肠癌新辅助放化疗(nCRT)疗效评估依赖人工、耗时且主观性强的问题，研究人员开发了基于MedSAM大模型与XGBoost算法的Rectal-RadioSAM全自动预测系统。该研究通过378例患者的多参数MRI（T2WI+DWI log[S(1000)]）数据，实现病灶分割（Dice系数0.46-0.74）与病理完全缓解(pCR)预测（AUC 0.83），为临床决策提供无人工干预的智能解决方案。

　　

在直肠癌治疗领域，新辅助放化疗(nCRT)联合全直肠系膜切除术(TME)已成为局部进展期直肠癌(LARC)的标准疗法。随着治疗方案优化，约20%患者可实现病理完全缓解(pCR)，这类患者或可避免手术并获得更好预后。然而，当前疗效评估主要依赖放射科医师主观判断或半自动化方法，存在耗时费力、结果易受经验影响等问题。更棘手的是，治疗后直肠肿瘤常发生纤维化改变，即使经验丰富的医师也难以精准界定病灶边界。这些挑战催生了对全自动评估工具的迫切需求。

为破解这一难题，中国的研究团队在《Physics and Imaging in Radiation Oncology》发表创新成果，开发出名为Rectal-RadioSAM的大模型辅助多参数MRI预测系统。该研究整合了378例LARC患者的756例次MRI数据（基线+治疗后），采用3.0T磁共振获取T2WI和DWI log[S(1000)]图像。技术核心在于两阶段混合模型：先通过四通道微调MedSAM网络实现病灶分割，再结合XGBoost模型预测pCR状态。研究特别验证了放射组学特征在自动与手动分割间的相关性，最终构建出无需人工干预的端到端评估流程。

3.1 患者特征
纳入分析的378例患者中，训练集264例（pCR 50例）、测试集114例（pCR 22例），两组在年龄、病理T分期等基线特征上无显著差异，确保了数据可比性。

3.2 分割性能
在独立测试中，微调后的Rectal-SAM模型展现出差异化表现：治疗前T2WI分割最佳（Dice 0.74±0.09），治疗后DWI log[S(1000)]最具挑战性（Dice 0.46±0.15）。这种差异反映了nCRT导致的组织形态改变对自动分割的影响，与临床观察相符。

3.3 特征稳健性
放射组学分析显示，一阶特征（First-order）和形态特征（Shape）在自动与手动分割间具有显著相关性（r=0.45-0.94, p<0.01），特别是最大二维切片直径（Max 2D diameter slice）等指标，为预测模型可靠性奠定基础。

3.4 pCR预测效能
联合治疗前后特征的XGBoost模型表现最优（AUC 0.83±0.04），显著优于单一时间点特征。虽然自动分割结果略逊于人工标注（AUC差值0.08），但在简化协议（仅T2WI+低b值DWI）下仍展现出临床可用性。

这项研究的突破性在于首次将大模型技术应用于直肠癌nCRT疗效预测，其价值体现在三方面：技术上，验证了MedSAM在复杂解剖部位分割的适应性；临床上，简化了传统多序列方案（仅需T2WI+DWI log[S(1000)]）；流程上，实现从影像到预测的全自动化。局限性在于单中心回顾性设计，未来需通过多中心前瞻性研究验证。随着"等待观察"策略的推广，该技术有望成为精准医疗的重要工具，为患者提供更个性化的治疗选择。

研究获得国家自然科学基金（82271955）、首都卫生发展科研专项（2024–1-1022）等资助，相关代码已开源，为领域内技术迭代奠定基础。这项工作不仅为直肠癌疗效评估树立了新标杆，更为医学AI如何结合专业知识和前沿算法提供了示范样本。