基于18F-FDG PET/CT全自动三维多模态深度学习模型的结直肠癌术前T分期预测研究

来自国内的研究团队开发了一种全自动三维多模态深度学习模型，利用术前18F-FDG PET/CT影像预测结直肠癌(CRC)T分期。该研究纳入474例患者，采用基于TotalSegmentator的自动分割和3D ResNet18结合交叉多头注意力机制，构建了CT+PET+临床(CPC)等多模型比较体系。结果显示CPC模型AUC达0.869，显著优于单模态模型和放射科医生评估(P<0.05)，为临床决策提供了高效精准的辅助工具。

　　

这项突破性研究构建了革命性的全自动三维多模态深度学习框架，专门用于攻克结直肠癌(Colorectal Cancer, CRC)术前T分期预测的临床难题。科研团队巧妙地将18F-氟脱氧葡萄糖正电子发射断层扫描/计算机断层扫描(18F-FDG PET/CT)影像与深度学习技术深度融合，开发出具备临床转化潜力的智能诊断系统。

研究团队回顾性分析了474例CRC患者的临床数据，创新性地采用TotalSegmentator工具实现病灶体积(VOI)的自动分割。技术核心在于构建了基于3D ResNet18架构的深度学习模型，并创新性地引入交叉多头注意力机制(cross-multi-head attention)，实现了CT、PET和临床数据(Clinic)的多模态特征协同融合。

令人振奋的是，自动分割系统展现出优异的性能，在CT和PET影像上分别获得0.884和0.888的Dice相似系数。在多模型对比实验中，融合PET/CT和临床数据的CPC模型表现最为亮眼，在内部验证队列中取得0.869的曲线下面积(AUC)，显著优于单一模态模型(PET:0.832；CT:0.809)和放射科医师评估(AUC:0.627)。外部验证进一步证实了模型的稳健性，CPC模型AUC保持在0.814的高水平。

通过梯度加权类激活映射(Grad-CAM)技术，研究团队成功解码了模型的决策机制：早期T分期(T1-T2)的预测主要依赖肿瘤中心区域特征，而晚期T分期(T3-T4)则重点关注肿瘤周围组织浸润特征。这项研究为精准医疗时代下的智能辅助诊断提供了创新范式，其全自动化的设计极大提升了临床工作效率，有望成为结直肠癌个性化治疗决策的重要参考。