基于多参数MRI的多通道深度学习模型，用于准确预测淋巴结阴性直肠癌的神经周围侵犯情况

《Abdominal Radiology》：Multiparametric MRI–based multi-channel deep learning model for accurate preoperative prediction of perineural invasion in lymph node–negative rectal cancer

　　

摘要

目的

旨在开发一种基于多参数MRI的多通道深度学习模型，用于准确预测淋巴结阴性直肠癌患者的神经周围侵犯情况。

方法

这项多中心诊断研究回顾性纳入了来自两家机构的266名直肠癌患者。首先对治疗前的多参数MRI序列（T2WI、DWI和CE-T1WI）进行预处理，然后针对每个序列将感兴趣区域裁剪为四种视图（仅感兴趣区域、完整感兴趣区域、扩大感兴趣区域以及无裁剪），再将这些视图组合成12通道的输入数据用于深度学习分析。通过融合这四组图像，共得到了五种深度学习模型，以及一种放射组学与深度学习相结合的混合模型。模型性能通过接收者操作特征曲线下面积、敏感性、特异性、校准曲线以及决策曲线分析来进行评估，模型间的比较则采用DeLong检验并结合Bonferroni校正方法。

结果

数据集被分为训练组（n＝134，来自机构1）、内部验证组（n＝58，来自机构1）和外部测试组（n＝74，来自机构2）。在外部测试组中，传统放射组学模型的AUC值为0.677（95%置信区间：0.412–0.941）；而表现最佳的深度学习模型的AUC值为0.843（95%置信区间：0.680–1.000）。结合放射组学与深度学习技术的混合模型进一步提升了预测性能，在训练组的AUC值为0.928（95%置信区间：0.862–0.994），在内部验证组的AUC值为0.896（95%置信区间：0.797–0.995），在外部测试组的AUC值为0.863（95%置信区间：0.695–1.000）。通过1000次分层自助抽样验证，该混合模型的稳定性得到确认，各组间的平均AUC值均保持一致。

结论

这种将多参数MRI提取的放射组学特征与多通道深度学习技术相结合的新方法，能够准确预测直肠癌患者的神经周围侵犯情况，为个性化治疗方案的制定及预后评估提供了有力支持。