張?zhí)鞄?，彭智穎，賈航，溫镕博，周樂其，沈浮，于冠宇△，張衛(wèi)△

1 海軍軍醫(yī)大學(xué)第一附屬醫(yī)院（上海長(zhǎng)海醫(yī)院）肛腸外科 上海 200433

2 海軍軍醫(yī)大學(xué)第一附屬醫(yī)院（上海長(zhǎng)海醫(yī)院）影像醫(yī)學(xué)科 上海 200433

結(jié)直腸癌（colorectal cancer，CRC）的發(fā)病率在惡性腫瘤譜中排名前列[1]。目前，直腸癌的臨床治療趨向“精準(zhǔn)醫(yī)療”，而面對(duì)多樣化的治療方式，若是能夠早期明確產(chǎn)生治療應(yīng)答的潛在患病個(gè)體將有助于實(shí)現(xiàn)臨床獲益最大化。此外，對(duì)患者治療后生存狀態(tài)的評(píng)估結(jié)果也影響著臨床治療決策的制定與實(shí)施。因此，建立穩(wěn)健的、準(zhǔn)確率高的預(yù)測(cè)模型將有助于優(yōu)化直腸癌的臨床診療。

影像學(xué)評(píng)估是直腸癌臨床診療過程中必不可少的環(huán)節(jié)之一，臨床醫(yī)師可結(jié)合自身的診療經(jīng)驗(yàn)與專業(yè)知識(shí)進(jìn)行閱片判斷，并將影像蘊(yùn)含的特征信息用于輔助臨床診療。然而，人工閱片耗時(shí)長(zhǎng)、效率低，臨床醫(yī)師的診療經(jīng)驗(yàn)、對(duì)影像學(xué)資料的個(gè)人理解及視覺對(duì)圖像的分辨能力等多種因素可能會(huì)影響影像學(xué)資料的應(yīng)用價(jià)值[2]。

隨著科技的發(fā)展，具有圖像信息處理優(yōu)勢(shì)的人工智能方法已成功應(yīng)用于腫瘤的影像學(xué)分析，使得高通量影像數(shù)據(jù)可通過計(jì)算分析挖掘得出以往難以獲得的腫瘤異質(zhì)性信息，進(jìn)而構(gòu)建預(yù)測(cè)模型，對(duì)患者的生存預(yù)后、治療效果等進(jìn)行預(yù)測(cè)，使影像學(xué)資料得以采用一種新的方式加以應(yīng)用[3]。

1 預(yù)測(cè)模型的構(gòu)建

影像學(xué)相關(guān)預(yù)測(cè)模型的構(gòu)建過程包括選取、收集數(shù)據(jù)及應(yīng)用人工智能方法進(jìn)行數(shù)據(jù)分析、完成模型構(gòu)建。高質(zhì)量、大樣本的影像數(shù)據(jù)是構(gòu)建預(yù)測(cè)模型的基礎(chǔ)，也是模型的預(yù)測(cè)價(jià)值的決定性因素，通過影像組學(xué)、深度學(xué)習(xí)及二者結(jié)合等方法處理、分析影像數(shù)據(jù)是構(gòu)建預(yù)測(cè)模型的主要內(nèi)容[4]。此外，可添加患者其他的臨床資料以使預(yù)測(cè)模型的數(shù)據(jù)類型更加完善，以提高預(yù)測(cè)模型的準(zhǔn)確性。

1.1 模型數(shù)據(jù)來源

臨床診療過程中用于評(píng)估患者病情的影像數(shù)據(jù)是構(gòu)建預(yù)測(cè)模型所需的底層數(shù)據(jù)，而臨床中影像學(xué)檢查的普遍應(yīng)用為預(yù)測(cè)模型的構(gòu)建提供了豐富的數(shù)據(jù)來源，使其具有加以挖掘的現(xiàn)實(shí)意義。美國(guó)國(guó)立綜合癌癥網(wǎng)絡(luò)（National Comprehensive Cancer Network，NCCN）指南認(rèn)為，直腸癌患者需要在手術(shù)治療之前、輔助治療前后及隨訪期間進(jìn)行胸部CT、腹部CT/MRI及盆腔MRI檢查，以評(píng)估腫瘤分期、評(píng)估療效及監(jiān)測(cè)腫瘤狀態(tài)[5]。此外，部分診療中心會(huì)對(duì)直腸癌患者進(jìn)行更為精細(xì)的直腸高分辨率MRI 檢查，也有應(yīng)用PET/CT來評(píng)估腫瘤轉(zhuǎn)移狀態(tài)的臨床實(shí)踐。

在眾多影像數(shù)據(jù)來源中，最常用于構(gòu)建直腸癌相關(guān)預(yù)測(cè)模型的影像學(xué)檢查項(xiàng)目是MRI。Liu 等[6]通過影像組學(xué)方法分析直腸癌患者直腸部位的MRI 影像數(shù)據(jù)，結(jié)合臨床資料構(gòu)建了直腸癌同時(shí)性遠(yuǎn)處轉(zhuǎn)移的預(yù)測(cè)模型（列線圖），建立用于預(yù)測(cè)的評(píng)分系統(tǒng)，并在驗(yàn)證集中體現(xiàn)出良好的預(yù)測(cè)效能（AUC為0.827，95%CI為0.696 3～0.958 0；敏感度為72.2%，特異度為94.4%）。

腹部CT也可作為影像數(shù)據(jù)來源用于構(gòu)建轉(zhuǎn)移性結(jié)直腸癌相關(guān)預(yù)測(cè)模型。Dercle 等[7]收集來自兩項(xiàng)臨床研究共1 584 例患者的腹部CT 圖像進(jìn)行影像組學(xué)分析，篩選出腫瘤體積、腫瘤體積改變量及腫瘤空間異質(zhì)性改變這三種圖像特征用于預(yù)測(cè)轉(zhuǎn)移性結(jié)直腸癌患者的總生存期（overall survival，OS），為早期預(yù)測(cè)患者的OS提供了具有良好效能的工具。

此外，Lovinfosse等[8]在對(duì)86例局部進(jìn)展期直腸癌患者的預(yù)后信息進(jìn)行分析的過程中將PET/CT影像數(shù)據(jù)與臨床資料相結(jié)合，構(gòu)建Cox比例風(fēng)險(xiǎn)回歸模型，結(jié)果表明粗糙度（coarseness）這一影像學(xué)紋理特征是疾病特異生存期（disease-specific survival，DSS）（HR＝7.06，95%CI為1.29～38.7，P＝0.024）、無病生存期（disease-free survival，DFS）（HR＝11.19，95%CI為3.13～40，P＝0.000 2）的獨(dú)立影響因素，而且粗糙度更高的患者的DSS與DFS均更短（DSS與DFS的數(shù)據(jù)分析設(shè)置了不同的截?cái)嘀担?，顯示出PET/CT影像數(shù)據(jù)用于預(yù)測(cè)患者預(yù)后的良好效能。

1.2 模型構(gòu)建方法

人工智能方法是構(gòu)建預(yù)測(cè)模型過程中的常用方法，此類方法不僅具有處理高通量數(shù)據(jù)的優(yōu)勢(shì)，還可通過具體算法將既往臨床醫(yī)師視覺評(píng)估產(chǎn)生的定性判斷轉(zhuǎn)化為經(jīng)數(shù)據(jù)處理后的定量判斷，對(duì)不同圖像之間的差異進(jìn)行細(xì)化比較[9]。此類方法主要通過感興趣區(qū)域（region of interest，ROI）提取、圖像特征提取、圖像特征建模這三個(gè)階段完成模型構(gòu)建。各階段的實(shí)現(xiàn)方式不同，普遍應(yīng)用的方法包括影像組學(xué)、深度學(xué)習(xí)和基于深度學(xué)習(xí)的影像組學(xué)（deep learning-based radiomics，DLR）這三種。

影像組學(xué)的處理過程通常先由影像學(xué)科專家劃分ROI，從中提取包括病灶形態(tài)特征、病灶灰度特征及病灶紋理特征在內(nèi)的圖像特征，之后應(yīng)用支持向量機(jī)（support vector machines，SVM）、決策樹（decision tree、DT）及隨機(jī)森林（random forest，RF）等機(jī)器學(xué)習(xí)方法篩選出最具顯著性的特征，并與其他臨床資料相結(jié)合，共同構(gòu)建預(yù)測(cè)模型[10]。Liu 等[11]對(duì)222例接受新輔助放化療的局部進(jìn)展期直腸癌患者在新輔助放化療前1周內(nèi)及術(shù)后1周內(nèi)的MRI圖像進(jìn)行影像組學(xué)分析，通過影像學(xué)科專家勾畫ROI 及影像圖像特征提取分析，構(gòu)建了包含有30 個(gè)影像學(xué)特征的具有良好區(qū)分度的新輔助放化療病理完全緩解率預(yù)測(cè)模型；此外，基于影像學(xué)特征及腫瘤大小所建立的個(gè)體化影像學(xué)模型在驗(yàn)證集（n＝70）中顯示出良好的區(qū)分度和校準(zhǔn)度。然而，影像組學(xué)分析過程中通常需要由影像學(xué)科專家人工勾畫ROI，這給擬用于構(gòu)建預(yù)測(cè)模型的樣本量大小帶來限制，并導(dǎo)致該方法耗時(shí)較長(zhǎng)、效率較低。

深度學(xué)習(xí)作為另一種基于高通量影像數(shù)據(jù)構(gòu)建預(yù)測(cè)模型的人工智能方法則具有自主識(shí)別分析的優(yōu)勢(shì)，此方法在圖像處理方面得到了廣泛應(yīng)用[12]。深度學(xué)習(xí)的工作模式與臨床醫(yī)師頗為相似，即讀取圖像、深入分析并最終得出結(jié)論。與影像組學(xué)方法不同，深度學(xué)習(xí)通常應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）等高階方法進(jìn)行圖像分析，通過如末梢感受器般的濾波器接收大量的、多樣化的影像數(shù)據(jù)，傳遞至計(jì)算模塊后進(jìn)行對(duì)比卷積，挖掘其重復(fù)特征或隱藏特征，并以類似傳出神經(jīng)的作用方式輸出圖像特征，以此構(gòu)成如神經(jīng)網(wǎng)絡(luò)一般的數(shù)據(jù)處理體系。CNN 的特點(diǎn)在于既可接受無標(biāo)記的影像數(shù)據(jù)應(yīng)用無監(jiān)督學(xué)習(xí)方法進(jìn)行分析，又可應(yīng)用監(jiān)督學(xué)習(xí)方法分析標(biāo)記后的影像數(shù)據(jù)，體現(xiàn)了CNN處理數(shù)據(jù)的優(yōu)勢(shì)。Filitto 等[13]通過直腸癌患者（n＝39）的盆腔MRI 影像數(shù)據(jù)構(gòu)建了預(yù)測(cè)新輔助放化療敏感性的模型并獲得了良好的模型評(píng)估結(jié)果，對(duì)腫瘤退縮程度為0～1級(jí)和2～3級(jí)的患者的預(yù)測(cè)準(zhǔn)確率分別為（0.70±0.05）與（0.84±0.05）；此外，研究者分析得出應(yīng)用自動(dòng)勾畫ROI 的方法所構(gòu)建模型的預(yù)測(cè)效能優(yōu)于Li 等[14]應(yīng)用不同的單一算法（Logistic 回歸、DT、K 近鄰）所構(gòu)建模型的預(yù)測(cè)效能，表明自動(dòng)勾畫ROI 的方法具有提高直腸腫瘤圖像勾畫效率的應(yīng)用潛能。但是，此類無監(jiān)督學(xué)習(xí)方法需要大量數(shù)據(jù)作為模型訓(xùn)練集的底層數(shù)據(jù)，以構(gòu)建準(zhǔn)確度較高的ROI 自動(dòng)勾畫模型，之后才能進(jìn)入圖像特征分析及預(yù)測(cè)模型構(gòu)建階段。

相比之下，監(jiān)督學(xué)習(xí)方法更適用于樣本量有限的條件下的預(yù)測(cè)模型構(gòu)建，通過人工勾畫ROI 進(jìn)行圖像分析同樣可以很大程度獲得具有深度學(xué)習(xí)圖像特征的預(yù)測(cè)模型。監(jiān)督學(xué)習(xí)方法結(jié)合了影像組學(xué)方法及深度學(xué)習(xí)方法的不同環(huán)節(jié)，形成了DLR，該方法僅將深度學(xué)習(xí)作為一種圖像分析方法，仍由富有經(jīng)驗(yàn)的影像學(xué)科專家進(jìn)行ROI 勾畫，雖然人工勾畫ROI的研究樣本量相對(duì)有限且耗時(shí)費(fèi)力，但是更精準(zhǔn)的勾畫聯(lián)合深度學(xué)習(xí)的圖像分析使模型的預(yù)測(cè)效能大大提高。Liu等[15]對(duì)235例在新輔助放化療+手術(shù)治療后具有3年隨訪信息的局部進(jìn)展期直腸癌患者的資料進(jìn)行分析，通過人工勾畫MRI 圖像ROI 后應(yīng)用深度學(xué)習(xí)方法構(gòu)建了直腸癌遠(yuǎn)處轉(zhuǎn)移的預(yù)測(cè)模型，并在驗(yàn)證集中體現(xiàn)出其對(duì)3年遠(yuǎn)處轉(zhuǎn)移的良好預(yù)測(cè)效能（C-index ＝0.747，AUC＝0.894），研究者進(jìn)一步聯(lián)合深度學(xué)習(xí)影像學(xué)特征與臨床病理資料構(gòu)建得到了具有更優(yōu)的預(yù)測(cè)效能的列線圖（C-index ＝0.775）。Zhang 等[16]的研究由兩名影像學(xué)科專家對(duì)383 例直腸癌患者的MRI 圖像勾畫ROI 并應(yīng)用深度學(xué)習(xí)方法提取圖像特征，構(gòu)建了關(guān)于新輔助放化療敏感性的預(yù)測(cè)模型，該模型對(duì)患者新輔助放化療病理完全緩解率的預(yù)測(cè)效能（AUC＝0.99）優(yōu)于兩名影像學(xué)科專家的評(píng)估結(jié)果（AUC分別為0.66、0.72），錯(cuò)誤率（2.2%）低于兩名影像學(xué)科專家的評(píng)估結(jié)果數(shù)值（錯(cuò)誤率分別為26.9%、24.8%），體現(xiàn)了DLR方法應(yīng)用于構(gòu)建直腸癌相關(guān)預(yù)測(cè)模型的可靠性。

1.3 多組學(xué)聯(lián)合構(gòu)建

對(duì)于應(yīng)用人工智能方法構(gòu)建直腸癌相關(guān)預(yù)測(cè)模型，患者的影像數(shù)據(jù)僅是構(gòu)建預(yù)測(cè)模型的底層數(shù)據(jù)來源之一，通過高通量方法處理其他類型數(shù)據(jù)形成的組學(xué)分析也可與之結(jié)合，使預(yù)測(cè)模型更加完善、準(zhǔn)確，比如病理學(xué)圖像數(shù)據(jù)。病理圖像同樣具有大量的圖像特征，而機(jī)器學(xué)習(xí)可利用其圖像處理能力挖掘病理圖像的顯著的圖像特征，將其納入預(yù)測(cè)模型的構(gòu)建過程。Wang 等[17]構(gòu)建的結(jié)直腸癌肺轉(zhuǎn)移患者接受根治性肺切除術(shù)后OS及DFS的預(yù)測(cè)模型中納入了機(jī)器學(xué)習(xí)病理組學(xué)、影像組學(xué)、免疫評(píng)分和患者的臨床資料等信息，結(jié)果顯示在模型的預(yù)測(cè)效能方面，聯(lián)合信息的應(yīng)用優(yōu)于單一信息的應(yīng)用。這表明在構(gòu)建預(yù)測(cè)模型的過程中可以通過增加預(yù)測(cè)模型來源數(shù)據(jù)的類型、聯(lián)合多組學(xué)構(gòu)建等方式優(yōu)化預(yù)測(cè)模型，以提升臨床信息的利用效能。

2 預(yù)測(cè)模型的應(yīng)用

2.1 預(yù)測(cè)生存預(yù)后

腫瘤患者的生存預(yù)后是臨床關(guān)注的重要指標(biāo)，不同病情的患者呈現(xiàn)出差異化的生存預(yù)后，故而有效預(yù)測(cè)生存預(yù)后將有助于為臨床決策的制定提供參考依據(jù)。影像學(xué)檢查是評(píng)估患者病情的重要手段，基于影像數(shù)據(jù)進(jìn)行生存預(yù)后預(yù)測(cè)具有較高的臨床應(yīng)用價(jià)值。

Tibermacine 等[18]應(yīng)用影像組學(xué)方法分析兩組互相獨(dú)立的接受新輔助治療（FOLFIRINOX 聯(lián)合放療）的148例局部進(jìn)展期直腸癌患者M(jìn)RI影像資料，通過2D 圖像手工勾畫、3D 圖像手工勾畫及2D 圖像輔助邊界框這三種方法獲得ROI，之后從中自動(dòng)提取并篩選腫瘤圖像體積、圖像紋理及圖像灰度等影像學(xué)特征，最終完成預(yù)測(cè)模型的構(gòu)建，并在驗(yàn)證集中發(fā)現(xiàn)這三種模型對(duì)DFS 的預(yù)測(cè)效能良好，AUC分別為（0.73±0.06）、（0.67±0.09）、（0.73±0.18），其后進(jìn)一步與腫瘤消退等級(jí)（MRI tumor regression grade，mrTRG）這一臨床常用的新輔助放化療療效評(píng)估指標(biāo)進(jìn)行對(duì)比并驗(yàn)證了該預(yù)測(cè)模型的有效性。在影像組學(xué)預(yù)測(cè)生存預(yù)后的應(yīng)用中，還可計(jì)算評(píng)估多種影像組學(xué)特征的綜合評(píng)分進(jìn)行預(yù)測(cè)模型構(gòu)建，蘇日新等[19]對(duì)109例直腸癌患者的盆腔MRI圖像進(jìn)行ROI勾畫后提取出1 656個(gè)影像學(xué)特征，進(jìn)而通過特征分析篩選和多變量線性加權(quán)法計(jì)算出綜合評(píng)分（Radsscore），并應(yīng)用該評(píng)分與腫瘤分化程度、T 分期、癌胚抗原水平和體素內(nèi)不相干運(yùn)動(dòng)彌散加權(quán)成像（intravoxel incoherent motion diffusion weighted imaging，IVIM-DWI）灌注分?jǐn)?shù)（f值）聯(lián)合構(gòu)建形成可評(píng)估1 年或2 年DFS 的列線圖，獲得了C-index 為0.816 的良好預(yù)測(cè)效能。孟閆凱等[20]對(duì)比了MRI 平掃圖像與增強(qiáng)圖像的影像組學(xué)標(biāo)簽對(duì)直腸癌患者生存期的預(yù)測(cè)價(jià)值差異，通過應(yīng)用51 例直腸癌患者平掃軸面小視野（field of view，F(xiàn)OV）的T2 加權(quán)成像（T2-weighted imaging，T2WI）及動(dòng)態(tài)增強(qiáng)序列靜脈期圖像分別構(gòu)建DFS 預(yù)測(cè)模型，最終得出增強(qiáng)序列應(yīng)用12 個(gè)影像組學(xué)特征構(gòu)建的預(yù)測(cè)模型的C-index（訓(xùn)練集為0.904；驗(yàn)證集為0.700）優(yōu)于平掃序列的相應(yīng)結(jié)果（訓(xùn)練集為0.771；驗(yàn)證集為0.500，且與DFS 無聯(lián)系，P＝0.767 0），提示增強(qiáng)序列圖像在影像組學(xué)預(yù)測(cè)直腸癌患者生存預(yù)后的應(yīng)用中更具優(yōu)勢(shì)。

2.2 預(yù)測(cè)療效

臨床中另一關(guān)注點(diǎn)是治療方案的療效預(yù)測(cè)，通過對(duì)不同療效的患者的臨床病理資料進(jìn)行分類總結(jié)，有條件者亦可建立評(píng)估/預(yù)測(cè)體系，進(jìn)而用于治療前的患者篩選，有助于為患者提供個(gè)體化診療。人工智能方法同樣可應(yīng)用于患者的影像學(xué)資料分析，為療效預(yù)測(cè)提供參考依據(jù)。

Giannini等[21]應(yīng)用52例局部進(jìn)展期直腸癌患者的18FFDG PET/CT及MRI圖像資料構(gòu)建新輔助放化療療效預(yù)測(cè)模型，通過軟件勾畫聯(lián)合影像學(xué)科專家疊加PET/CT和MRI圖像的半自動(dòng)方法完成ROI勾畫，并提取ROI中腫瘤圖像體積、圖像紋理及圖像灰度等影像學(xué)特征進(jìn)行分析與預(yù)測(cè)模型構(gòu)建，通過多參數(shù)分析得出的由6項(xiàng)影像學(xué)圖像特征（5項(xiàng)PET/CT圖像特征，1項(xiàng)MRI圖像特征）所構(gòu)建的預(yù)測(cè)模型在預(yù)測(cè)病理完全緩解率方面的預(yù)測(cè)效能最佳（AUC為0.86，敏感度為86%，特異度為83%）。Feng等[22]應(yīng)用影像組學(xué)與病理組學(xué)聯(lián)合構(gòu)建了局部進(jìn)展期直腸癌患者新輔助放化療病理完全緩解率的預(yù)測(cè)模型，收集了933例患者的MRI影像數(shù)據(jù)、細(xì)胞核病理學(xué)特征及腫瘤微環(huán)境病理學(xué)特征這三個(gè)方面的資料，通過SVM構(gòu)建了以MRI特征圖像、細(xì)胞核病理學(xué)特征圖像及腫瘤微環(huán)境病理學(xué)特征圖像為基礎(chǔ)的預(yù)測(cè)模型，在驗(yàn)證集中顯示出了良好的預(yù)測(cè)效能（AUC＝0.812，95%CI為0.717～0.907；敏感度為0.888，95%CI為0.728～0.999；特異度為0.740，95%CI為0.593～0.886），這是多組學(xué)聯(lián)合構(gòu)建預(yù)測(cè)模型的應(yīng)用實(shí)踐，研究者認(rèn)為此模型可作為一種穩(wěn)定、準(zhǔn)確的工具用于患者的個(gè)體化診治。朱潔等[23]應(yīng)用99例局部進(jìn)展期直腸癌患者的MRI T2WI圖像提取的11個(gè)高價(jià)值影像組學(xué)特征同樣展現(xiàn)出了良好的預(yù)測(cè)效能，其所建立的模型預(yù)測(cè)病理完全緩解率的AUC為0.798（95%CI為0.615～0.920），可用于指導(dǎo)臨床決策。目前，國(guó)內(nèi)已圍繞影像組學(xué)方法分析多模態(tài)MRI圖像進(jìn)行直腸癌新輔助治療效果評(píng)估的應(yīng)用形成專家共識(shí)[24]。

2.3 預(yù)測(cè)遠(yuǎn)處轉(zhuǎn)移

直腸癌有無發(fā)生遠(yuǎn)處轉(zhuǎn)移是臨床醫(yī)師實(shí)施臨床診療期間與隨訪過程中重點(diǎn)關(guān)注的問題之一，而發(fā)生遠(yuǎn)處轉(zhuǎn)移意味著患者的預(yù)后較差，而且可能會(huì)影響患者后續(xù)的診療計(jì)劃。應(yīng)用人工智能方法構(gòu)建基于影像學(xué)檢查的直腸癌相關(guān)預(yù)測(cè)模型也可用于預(yù)測(cè)腫瘤發(fā)生遠(yuǎn)處轉(zhuǎn)移的概率。

Liu 等[25]基于臨床對(duì)局部進(jìn)展期直腸癌患者術(shù)后施行輔助化療以預(yù)防腫瘤發(fā)生遠(yuǎn)處轉(zhuǎn)移的治療方案，應(yīng)用629例患者的MRI圖像數(shù)據(jù)進(jìn)行影像組學(xué)分析，以無遠(yuǎn)處轉(zhuǎn)移生存（distant metastasis free survival，DMFS）情況作為主要觀察指標(biāo)，通過手工勾畫ROI后分析圖像特征，并應(yīng)用Cox比例風(fēng)險(xiǎn)回歸分析方法進(jìn)行特征圖像篩選，之后使用LASSO 回歸算法確定用于構(gòu)建預(yù)測(cè)模型的圖像特征，并在不同隨訪時(shí)間點(diǎn)（1 年、2 年、3 年）的訓(xùn)練集與驗(yàn)證集資料中體現(xiàn)出了良好的預(yù)測(cè)效能。但是，如何提高預(yù)測(cè)模型的臨床應(yīng)用價(jià)值仍是該研究方向的關(guān)注點(diǎn)，亦有研究者進(jìn)行了相應(yīng)的探索。劉明璐等[26]應(yīng)用127例直腸癌患者高分辨T2WI 圖像提取出5 個(gè)與肝轉(zhuǎn)移相關(guān)的影像組學(xué)特征，但其單獨(dú)應(yīng)用的預(yù)測(cè)效能（AUC＝0.836）弱于影像組學(xué)特征聯(lián)合癌胚抗原、糖鏈抗原199構(gòu)建的列線圖（AUC＝0.918），因此研究者認(rèn)為結(jié)合影像組學(xué)特征和臨床危險(xiǎn)因素的影像組學(xué)列線圖預(yù)測(cè)直腸癌同時(shí)性肝轉(zhuǎn)移的臨床價(jià)值更高。胡斯嫻等[27]應(yīng)用140例直腸癌患者的MRI不同序列的圖像構(gòu)建了預(yù)測(cè)模型，并進(jìn)一步評(píng)估其在直腸癌肝轉(zhuǎn)移方面的臨床應(yīng)用價(jià)值，結(jié)果表明多序列聯(lián)合（T2WI、彌散加權(quán)成像和表觀彌散系數(shù)）數(shù)據(jù)集與獨(dú)立T2WI數(shù)據(jù)集、獨(dú)立表觀彌散系數(shù)數(shù)據(jù)集都具有較理想的AUC，而多序列聯(lián)合數(shù)據(jù)集校準(zhǔn)曲線最接近參考線，模型效果最好。

3 預(yù)測(cè)模型的局限性

應(yīng)用人工智能方法構(gòu)建直腸癌影像學(xué)相關(guān)預(yù)測(cè)模型可為臨床診療的實(shí)施提供參考依據(jù)，但是就目前來說，這些預(yù)測(cè)模型在臨床中的應(yīng)用存在一些局限性。

（1）應(yīng)用研究范圍受限。該方法構(gòu)建得出的預(yù)測(cè)模型距真正意義上的臨床應(yīng)用仍有一定距離。在預(yù)測(cè)模型的構(gòu)建階段，出于對(duì)研究開展的可行性與臨床研究倫理要求的考慮，訓(xùn)練集與預(yù)測(cè)集的大部分?jǐn)?shù)據(jù)源于回顧性收集所得的患者既往診療過程中留存的影像數(shù)據(jù)，其研究方法多為回顧性分析。然而，在前瞻性研究中驗(yàn)證并優(yōu)化預(yù)測(cè)模型才能使模型預(yù)測(cè)效能得以提高。其中，需要明確的是應(yīng)用尚未完善的預(yù)測(cè)模型得出的預(yù)測(cè)結(jié)果不能干擾臨床診療，這是開展前瞻性研究需遵守的科研倫理規(guī)范。

（2）結(jié)果同一性偏低。影像數(shù)據(jù)可因儀器設(shè)備不同而產(chǎn)生較大差異，人工勾畫ROI 也會(huì)因個(gè)人經(jīng)驗(yàn)差異而對(duì)預(yù)測(cè)模型的構(gòu)建產(chǎn)生較大影響，而且不同的數(shù)據(jù)分析算法也會(huì)對(duì)模型的構(gòu)建產(chǎn)生根本性的影響，即便同一預(yù)測(cè)模型也可能在不同研究中心的應(yīng)用中產(chǎn)生較大的預(yù)測(cè)效能差異。

（3）生物學(xué)本質(zhì)欠缺。影像數(shù)據(jù)為腫瘤表觀層面異質(zhì)性分析，其在預(yù)測(cè)模型中展現(xiàn)的更多是圖像特征而非生物學(xué)特征，以此為數(shù)據(jù)來源產(chǎn)生的預(yù)測(cè)模型變量多為體積、灰度、粗糙度等圖像特征，這使得圖像差異而非病情差異成為影響預(yù)測(cè)結(jié)果的主要因素。

4 小結(jié)與展望

影像組學(xué)、深度學(xué)習(xí)等人工智能方法在構(gòu)建直腸癌影像學(xué)相關(guān)預(yù)測(cè)模型的應(yīng)用中發(fā)揮了重要作用，并成功應(yīng)用于患者的生存預(yù)后預(yù)測(cè)、療效預(yù)測(cè)和腫瘤轉(zhuǎn)移風(fēng)險(xiǎn)預(yù)測(cè)等方面。這使得原本“一次性使用”的影像數(shù)據(jù)得以反復(fù)應(yīng)用于預(yù)測(cè)模型的訓(xùn)練—優(yōu)化過程，更重要的是為臨床醫(yī)師提供了以往難以獲取的預(yù)測(cè)信息。但是，關(guān)于這些預(yù)測(cè)模型在臨床中的應(yīng)用還需要進(jìn)一步優(yōu)化，如：探索符合倫理要求的預(yù)測(cè)模型前瞻性臨床應(yīng)用途徑，設(shè)置與診療無關(guān)的研究人員進(jìn)行數(shù)據(jù)采集、結(jié)果判讀等前瞻性模型驗(yàn)證與優(yōu)化，同時(shí)要求診療過程中不得僅以預(yù)測(cè)模型生成結(jié)果作為診療依據(jù)，以使其更加貼合臨床診療所需；建立預(yù)測(cè)模型的質(zhì)量控制標(biāo)準(zhǔn)與建立多中心、高質(zhì)量的影像數(shù)據(jù)庫，以更好篩選數(shù)據(jù)并實(shí)現(xiàn)數(shù)據(jù)的深度挖掘；對(duì)于預(yù)測(cè)模型結(jié)果的分析與討論則可以通過多組學(xué)分析結(jié)合的方式進(jìn)行，避免僅進(jìn)行單純的數(shù)據(jù)擬合而忽略其生物學(xué)本質(zhì)。相信隨著人工智能方法在臨床應(yīng)用中的不斷成熟、優(yōu)化，其將不斷助力臨床診療的發(fā)展與革新，影像學(xué)資料將得以采用更多的方法加以利用并構(gòu)建高效穩(wěn)定的直腸癌相關(guān)預(yù)測(cè)模型，為臨床診療提供更有價(jià)值的參考依據(jù)，助力診療模式精準(zhǔn)化。

利益沖突聲明全體作者均聲明不存在與本文相關(guān)的利益沖突。