《European Journal of Surgical Oncology》：MRI-driven multimodal deep learning approach for predicting pathological complete response after neoadjuvant chemoradiotherapy in locally advanced rectal cancer: A multicenter study
编辑推荐：
本研究开发了基于术前及术后多参数MRI的可解释深度学习 radiomics 融合模型，用于预测局部晚期直肠癌患者新辅助化疗放疗后的完全病理缓解（pCR）。模型在训练集和外部验证集的AUC分别为0.838和0.786，优于单一模态方法，SHAP分析揭示DL_26_T2WI_post为关键预测因子。
韩凯婷|周彩红|曾玲玉|赖晓宇|梁波|徐志峰|杨云军
中国佛山市第一人民医院放射科（南方科技大学附属佛山医院），南方科技大学医学院，佛山
摘要
目的
在局部晚期直肠癌（LARC）患者中，新辅助化疗放疗（nCRT）后实现病理完全缓解（pCR）可以保留器官，可能避免进行根治性手术。本研究旨在开发一种基于磁共振成像（MRI）的临床深度学习放射组学（DLR）模型，以非侵入性方式预测治疗反应。
材料与方法
这项回顾性队列研究纳入了180名在三级医疗机构接受新辅助化疗放疗后进行手术的LARC患者。这些患者被分为训练组（中心1，n = 92）和外部验证组（中心2和中心3，n = 88），分别用于模型开发和独立评估。每名患者从新辅助化疗放疗前后的T2加权（T2WI）和扩散加权成像（DWI）序列中获得了428个定量放射组学特征和320个深度学习（DL）特征（来自ResNet50、GoogLeNet、ResNet18和VGG16）。模型的预测性能通过接收者操作特征曲线下面积（AUC）来量化，模型间的差异通过DeLong检验进行统计评估。为了提高模型的可解释性，采用了Shapley加性解释（SHAP）分析和梯度加权类激活映射（Grad-CAM）方法来验证和可视化各个特征的贡献。
结果
结合了放射组学特征和ResNet50衍生深度学习特征的DLR融合模型在新辅助化疗放疗后的LARC患者中显示出更高的pCR预测性能，训练组的AUC为0.838，外部验证组的AUC为0.786——优于其他DLR模型。临床DLR（CDLR）模型的性能更高（AUC分别为0.923和0.866）。SHAP分析表明DL_26_T2WI_post是一个关键的pCR预测因子。
结论
基于新辅助化疗放疗前后多参数MRI的可解释CDLR融合模型为预测LARC患者的新辅助化疗放疗后的pCR提供了一种可靠、非侵入性的方法，并显示出指导个性化临床决策的潜力。
引言
结直肠癌是全球第三大常见恶性肿瘤[1]，其中直肠癌约占病例的三分之一[2]。《中国肿瘤综合诊断与治疗指南》（2025年版）指出，新辅助化疗放疗（nCRT）随后进行全直肠系膜切除和辅助化疗是中晚期局部晚期直肠癌（LARC）的标准治疗方法[3]。然而，对于希望保留括约肌的患者来说，这种治疗方法可能导致永久性造口形成，严重影响其心理状态和生活质量。大约15-27%的LARC患者在新辅助化疗放疗后实现病理完全缓解（pCR），即手术标本中无存活肿瘤细胞[4]。纽约一家综合癌症中心的回顾性研究表明，“观察等待”策略可以为新辅助化疗后实现临床完全缓解的患者提供非手术选择[5]。目前，评估治疗反应的金标准是肿瘤消退等级（TRG）[6]，pCR对应于等级0。然而，由于TRG评估依赖于术后病理学结果，可靠的术前非侵入性预测工具仍然有限。
在当前的临床实践中，高分辨率直肠磁共振成像（MRI）是评估治疗反应的常规方法[7]。然而，传统MRI对直肠癌的分期准确率仅为59%–88%[8]，这可能是由于难以视觉区分边界病变。人工智能已迅速应用于基于MRI的分期评估，大多数研究集中在区分T1/T2和T3/T4病变[9]。MERCY研究小组基于五级病理肿瘤消退等级（pTRG）分类构建了一个基于MRI的肿瘤消退分级系统[10]。然而，这种方法仍然具有主观性，高度依赖医生经验，并且本质上是定性的，这突显了迫切需要更客观和定量的方法来评估新辅助化疗放疗前的反应。
放射组学和深度学习（DL）技术在直肠癌的管理中取得了快速进展，无论是单独应用还是作为混合模型使用时都显示出显著的临床效益。Shin等人[11]报告称，基于MRI的放射组学模型在分类新辅助化疗放疗后的LARC患者pCR方面优于经验丰富的放射科医生。同样，Jiang等人[12]证实，基于治疗前T2加权MRI（T2WI）的DL模型可以预测直肠癌患者的生存结果，作为术前风险分层的有效工具。许多研究[13]、[14]、[15]、[16]、[17]进一步表明，基于MRI的放射组学和DL模型在评估新辅助化疗放疗反应方面具有巨大潜力。Lu等人[18]使用T2WI序列开发了放射组学和DL模型，比较了新辅助化疗放疗前后的pCR预测性能，发现新辅助化疗放疗前的融合模型在验证集中的AUC值更高（0.742）。然而，以往的研究主要比较了传统放射组学特征和标准临床变量在预测LARC患者pCR方面的性能。然而，这些方法大多依赖于单一MRI序列或单一成像模式，缺乏可解释性，限制了成像数据的全面利用和模型的预测性能。Shapley加性解释（SHAP）方法可以量化并说明每个特征对模型预测的影响，其与放射组学的结合提高了深度学习模型的可解释性[19]。我们假设，结合新辅助化疗放疗前后多参数MRI衍生的DL放射组学（DLR）特征的融合模型可以作为一种有效且可靠的方法来预测LARC患者的新辅助化疗放疗后的pCR。
因此，本研究旨在使用新辅助化疗放疗前后多参数MRI建立一种可解释的DLR融合模型，并评估其在LARC患者新辅助化疗放疗后预测pCR的性能。
章节片段
患者
这项回顾性研究的伦理批准获得了参与医院的机构审查委员会批准（批准编号93，2025年），所有程序均符合赫尔辛基宣言。由于采用回顾性设计，无需获取知情同意。研究应用了严格的纳入标准，重点关注直肠癌患者的术后病理反应，并实施了严格的排除标准以确保数据质量
临床病理特征
表1总结了训练组和外部验证组患者的临床病理特征。两组患者在年龄、性别、中性粒细胞与淋巴细胞比值（NLR）、新辅助化疗放疗前血清CEA水平、LNmax_pre或Node-RADS_pre方面没有统计学上的显著差异（P > 0.05）。对这些变量的单变量和多变量逻辑回归分析（表S3）确定mrMRF和mrEMVI为独立风险因素
讨论
在这项回顾性多中心研究中，将新辅助化疗放疗前后多参数MRI序列获得的放射组学和DL特征与临床风险因素相结合，构建了CDLR融合模型。使用SHAP和Grad-CAM可视化方法增强了模型的可解释性。我们的研究结果表明，基于新辅助化疗放疗前后多参数MRI的DLR模型能够可靠地识别LARC患者的新辅助化疗放疗后的pCR状态。
结论
总之，基于新辅助化疗放疗前后多参数MRI的可解释CDLR融合模型作为预测LARC患者pCR的非侵入性工具具有巨大潜力，支持保留器官的治疗策略，需要在更大规模的前瞻性多中心研究中进行验证。
作者贡献（CRediT作者声明）
韩凯婷和周彩红：概念构思、数据整理、方法学、正式分析、初稿撰写。
曾玲玉：数据整理、软件使用、监督、验证、可视化。
赖晓宇、梁波：数据整理、调查、正式分析。
徐志峰和杨云军：概念构思、监督、资源获取、方法学、资金筹集、写作及审稿。
所有作者均批准了提交的稿件版本。
利益冲突声明
作者没有需要披露的相关财务或非财务利益。作者确认本文未在其他地方考虑发表。每位作者都充分参与了手稿内容的编写，并对其负责。
致谢
我们感谢Onekey AI平台为本研究提供的代码支持。本研究部分得到了佛山市科技创新项目（2420001004459）和广东省医学科学研究基金（B20258080）的支持。
