石晟銘，肖玲清，馬佳琪，劉晗，武玉鵬，李曉夫*

0 引言

直腸癌（rectal cancer, RC）是全球最常見的癌癥之一，在所有胃腸道腫瘤中的發(fā)病率居于第二位，也是世界上第三大癌癥相關(guān)死亡原因[1]。RC 的精確化診治對提高RC 患者的遠(yuǎn)期生存至關(guān)重要[2]。MRI作為RC 的重要影像學(xué)檢查之一，能夠清晰顯示腫瘤的形態(tài)與位置、淋巴結(jié)狀態(tài)、壁外血管浸潤和直腸系膜筋膜受累等。但是僅依靠常規(guī)MRI的形態(tài)學(xué)特征仍不足以反映腫瘤的異質(zhì)性特征，無法制訂個體化治療策略，而如彌散加權(quán)成像（diffusion weighted imaging,DWI），體 素 內(nèi) 不 相 干 運(yùn) 動（intravoxel incoherent motion, IVIM）和彌散峰度成像（diffusion kurtosis imaging, DKI）等功能MRI雖能在一定程度上反映病變內(nèi)的生物病理信息，但其可重復(fù)性和可再現(xiàn)性還有待進(jìn)一步提高[3]。因此，開發(fā)一種圖像挖掘的新方法，以實(shí)現(xiàn)RC 的準(zhǔn)確診斷和治療是一個巨大的挑戰(zhàn)。近年來，隨著人工智能（artificial intelligence, AI）技術(shù)的迅速發(fā)展，以深度學(xué)習(xí)（deep learning, DL）為代表的機(jī)器學(xué)習(xí)越來越多地應(yīng)用于醫(yī)學(xué)領(lǐng)域[4-6]，DL可以對大量的RC 圖像進(jìn)行深度挖掘和分析，并將其與臨床結(jié)果結(jié)合，從而提高對RC 的診斷準(zhǔn)確性和效率。利用DL 技術(shù)對RC 進(jìn)行術(shù)前診斷具有重要的臨床意義。然而，目前尚未有系統(tǒng)的研究綜合評估DL技術(shù)在RC 預(yù)測方面的應(yīng)用，因此我們對預(yù)測模型的整體效果尚不清楚。本文從評估RC 分期、治療反應(yīng)、RC 分割和基因分型四個方面入手，總結(jié)了基于MRI的DL在RC研究方面的進(jìn)展，旨在優(yōu)化RC患者的診療策略制訂，并對未來的科研方向提出展望。

1 DL的簡介及發(fā)展

DL 是機(jī)器學(xué)習(xí)的一種，最早由機(jī)器學(xué)習(xí)大師HINTON 等[7]在2006年提出。DL 的本質(zhì)是構(gòu)建含有多隱層的機(jī)器學(xué)習(xí)架構(gòu)模型，通過大規(guī)模數(shù)據(jù)進(jìn)行訓(xùn)練，得到大量具有代表性的特征信息，從而對樣本進(jìn)行分類和預(yù)測[8]。其工作流程一般可以分為三個階段：（1）圖像數(shù)據(jù)的預(yù)處理；（2）模型訓(xùn)練、驗(yàn)證和測試；（3）模型評估[9]。其中圖像數(shù)據(jù)預(yù)處理是DL 的核心工作，包括降噪、數(shù)據(jù)歸一化、特征選擇和提取[10]。良好的模型其穩(wěn)定性更好，采用多中心測試集，其目的是評估模型的泛化能力，有助于模型的推廣。為了訓(xùn)練模型，通常將模型分為三個部分：訓(xùn)練集，驗(yàn)證集和測試集。訓(xùn)練集能夠使模型學(xué)習(xí)擬合分類器的數(shù)據(jù)參數(shù)，驗(yàn)證集用于防止過擬合，而測試集用于評估模型的性能。最后模型評估用來確定該模型是否可以很好地實(shí)現(xiàn)研究目標(biāo)。

目前DL 的發(fā)展較為迅速，已在語音識別、人臉識別、圖像分類等方面取得顯著進(jìn)展。自2015 年以來，人們發(fā)現(xiàn)使用基于醫(yī)學(xué)成像技術(shù)的AI 模型可通過增強(qiáng)目視能力以達(dá)到比放射科醫(yī)生更低的錯誤率[11]。與傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)不同，DL 不需要操作人員手動提取和選擇特征，其可以直接處理原始數(shù)據(jù)并自動識別自己所需要的特征[12]。在算法應(yīng)用方面，目前幾種典型的DL 算法主要包括卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks, CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network, RNN）、生成對抗網(wǎng)絡(luò)（generative adversarial network, GAN）和深度強(qiáng)化學(xué)習(xí)（deep reinforcement learning, DRL）[13-14]。

2 基于MRI的DL在RC術(shù)前TNM分期中的應(yīng)用

MRI 因具有良好的軟組織分辨率及較高的空間分辨率，目前已經(jīng)成為術(shù)前RC 分期評估的重要影像檢查方式[15]。隨著影像學(xué)技術(shù)的不斷進(jìn)步，RC 術(shù)前診斷的準(zhǔn)確性大大提高。但不同醫(yī)院的放射科醫(yī)生診斷水平不同，會導(dǎo)致MRI 圖像的結(jié)果判讀受到影響。近年來，DL 技術(shù)在圖像閱讀方面的發(fā)展為此提供了新的解決方法[16]。WU 等[17]使用基于區(qū)域的快速卷積神經(jīng)網(wǎng)絡(luò)（faster region-based convolutional neural networks, Faster R-CNN）來構(gòu)建RC 的T 分期自動診斷平臺。該平臺在每個掃描平面的每個階段都展現(xiàn)出良好的性能，受試者工作特性（receiver operator characteristic, ROC）曲線下面積（area under the curve, AUC）在水平面為0.99，矢狀面為0.97，冠狀面為0.98。Faster R-CNN 的診斷平臺在RC 的T 分期診斷方面達(dá)到了專業(yè)放射科醫(yī)生的水準(zhǔn)，但是該研究僅將模型應(yīng)用于T2WI序列，添加其他序列是否可以提高DL 模型的分類精度，有待進(jìn)一步研究。在一項(xiàng)回顧性研究中，WEI等[18]構(gòu)建基于多參數(shù)（DCE、T2WI和DWI）卷積神經(jīng)網(wǎng)絡(luò)的DL 模型，并與單參數(shù)DL 模型、臨床模型和放射科醫(yī)師診斷模型進(jìn)行對照。最終多參數(shù)模型的AUC 為0.854，顯著高于放射科醫(yī)師診斷模型（AUC 為0.678）、臨床模型（AUC 為0.747）和單參數(shù)DL 模型，包括T2WI 模型（AUC 為0.735）、DWI 模型（AUC 為0.759）和DCE 模型（AUC為0.789）。淋巴結(jié)轉(zhuǎn)移（lymph node metastasis,LNM）的預(yù)測及評估一直以來都是研究熱點(diǎn)。常規(guī)MRI 形態(tài)學(xué)：如淋巴結(jié)的大小、形狀和邊緣，均不足以對LNM 做出準(zhǔn)確診斷。為預(yù)測T1～T2 期RC 患者的LNM，WAN 等[19]建立了基于T2WI 圖像的四個二維和三維的殘差網(wǎng)絡(luò)（ResNet 18，ResNet 50，ResNet 101和ResNet 152）DL模型，并進(jìn)行訓(xùn)練和測試，以識別LNM。研究表明，基于3D 網(wǎng)絡(luò)架構(gòu)的ResNet 101 模型在預(yù)測LNM 方面展現(xiàn)出最佳性能（AUC 為0.79），顯著高于放射醫(yī)師（AUC為0.54），該模型在預(yù)測T1～T2期RC患者的LNM方面優(yōu)于放射科醫(yī)生。

從上述幾項(xiàng)研究中可以看出，基于不同感興趣區(qū)（region of interest, ROI）和不同MRI 序列的AI 在評估RC 患者的T 分期方面表現(xiàn)出了良好的性能，有望成為術(shù)前T分期的重要工具之一。然而，這些研究中的MRI 圖像都是在單中心的3.0 T MRI 掃描設(shè)備上獲取的，這可能限制了模型的推廣性。

3 基于MRI 的DL 在評估新輔助治療療效方面的進(jìn)展

新輔助治療（neoadjuvant therapy, NAT）是局部晚期直腸癌（locally advanced rectal cancer, LARC）患者標(biāo)準(zhǔn)治療的必要組成部分，用于降低原發(fā)腫瘤的分期和手術(shù)切除后局部復(fù)發(fā)的風(fēng)險，并可改善預(yù)后。隨著不同NAT 方案的應(yīng)用，大約10%～30%的LARC患者可能出現(xiàn)病理完全緩解（pathologic complete response, pCR），臨床、內(nèi)鏡和放射學(xué)建議對上述患者實(shí)行觀察和等待策略，以避免手術(shù)切除帶來的不良并發(fā)癥影響[20]。FU 等[21]從患者的高分辨率T2WI 和DWI 圖像中提取放射組學(xué)特征，開發(fā)了基于機(jī)器學(xué)習(xí)和DL 的放射組學(xué)模型，并將它們與臨床特征相結(jié)合，用于預(yù)測腫瘤殘留。結(jié)果顯示，臨床+DWI+DL模型的預(yù)測效果最好（準(zhǔn)確度84%±5%，敏感度94%±13%，特異度79%±4%）。這種方法可以作為一種術(shù)前評估工具，以協(xié)助臨床醫(yī)生在術(shù)前階段對RC 患者進(jìn)行病情評估并制訂精確的個性化治療計劃。在一項(xiàng)預(yù)測RC 遠(yuǎn)處轉(zhuǎn)移（distant metastasis, DM）的研究中，LIU[22]回顧收集了235 例接受新輔助放化療（neoadjuvant chemoradiotherapy, nCRT）的患者，通過遷移學(xué)習(xí)，構(gòu)建了基于多參數(shù)MRI的DL放射組學(xué)模型。將深部MRI信息與臨床病理因素結(jié)合起來構(gòu)建列線圖，以獲得更好的預(yù)測結(jié)果。在驗(yàn)證集中，C指數(shù)為0.747，3年時遠(yuǎn)處無轉(zhuǎn)移生存期的AUC為0.894，這表明DL放射組學(xué)模型在預(yù)測DM方面表現(xiàn)良好，顯示其在預(yù)測接受nCRT的LARC患者的DM方面具有很大的潛力。在一項(xiàng)多中心研究中，JIANG等[23]收集了三個獨(dú)立的患者隊(duì)列，使用ViT 技術(shù)來構(gòu)建DL 模型用于預(yù)測NAT后RC患者的生存率，在內(nèi)部測試集的高風(fēng)險組中最佳模型的風(fēng)險比為3.0，在外部測試集中為2.3，并且構(gòu)建多模態(tài)模型進(jìn)一步提高了模型性能。結(jié)果表明，該模型能夠預(yù)測RC 患者的生存率，并可作為術(shù)前風(fēng)險分層工具。

預(yù)測NAT 后LARC 患者的pCR 已成為當(dāng)下研究的熱點(diǎn)，JANG 等[24]基于放化療后的T2WI圖像，開發(fā)了兩個DL 模型，分別用于預(yù)測pCR 和完全緩解（complete response, CR）。在測試集中評估DL 模型的預(yù)測性能，并與高年資放射科醫(yī)生和放射腫瘤科醫(yī)生的預(yù)測結(jié)果進(jìn)行比較。結(jié)果顯示該模型預(yù)測pCR 的AUC、敏感度、特異度、陽性預(yù)測值、陰性預(yù)測值和準(zhǔn)確度分別為0.76、30%、96%、67%、87% 和85%，預(yù)測CR 方面分別為0.72、54%、81%、60%、77%和71.7%。研究發(fā)現(xiàn)與觀察醫(yī)生相比，DL 模型在預(yù)測pCR 和CR 方面表現(xiàn)出更好的性能。此外，還有很多DL 模型[25-27]已被開發(fā)用來預(yù)測NAT 后LARC 患者的pCR，并且都展現(xiàn)出較好的性能。

因此，可以得出結(jié)論，DL 作為一種潛在的定量工具，在評估LARC 患者的pCR 方面具有重要的價值，它可以通過選擇那些可能從輔助化療中受益的患者，并協(xié)助臨床醫(yī)生選擇最佳化療方案來幫助制訂個體化的治療策略。然而上述幾項(xiàng)研究的ROI 都是手動勾畫的，這很大程度上依賴于影像科醫(yī)生的經(jīng)驗(yàn)，容易造成主觀上的錯誤，需要進(jìn)一步的研究來建立一個可靠的自動分割網(wǎng)絡(luò)。

4 基于MRI的DL在病灶分割方面的進(jìn)展

隨著DL 算法的興起，其在醫(yī)學(xué)圖像處理領(lǐng)域，特別是腫瘤病灶的分割方面引起了廣泛的關(guān)注。近年來，以全卷積神經(jīng)網(wǎng)絡(luò)為代表的DL 已經(jīng)在醫(yī)學(xué)圖像分割任務(wù)中取得了頻繁的成功，特別是使用流行的U-Net 架構(gòu)[28]。DESILVIO 等[29]根據(jù)特定區(qū)域的背景開發(fā)了一種U-Net DL 模型，它可以在RC 治療后的T2WI圖像中自動分割直腸外壁、內(nèi)腔和直腸周圍脂肪區(qū)域。在多機(jī)構(gòu)評價中發(fā)現(xiàn)特定區(qū)域的U-Net（腸壁骰子相似度系數(shù)為0.920，腸腔骰子相似度系數(shù)為0.895）與多名放射科醫(yī)生（腸壁骰子相似度系數(shù)為0.946，腸腔骰子相似度系數(shù)為0.873）在圖像分割方面表現(xiàn)相當(dāng)，并且與多類U-Net 相比，此模型的性能提高了20%，該模型對于準(zhǔn)確評估體內(nèi)腫瘤范圍和劃分直腸結(jié)構(gòu)具有重要實(shí)用價值。由于傳統(tǒng)的U-Net網(wǎng)絡(luò)提取的高級特征往往不能包括足夠的輪廓信息，為了進(jìn)一步提高圖像分割精度，LI等[30]通過對傳統(tǒng)U-Net 網(wǎng)絡(luò)進(jìn)行改進(jìn)，設(shè)計了一種新型的U-Net 網(wǎng)絡(luò)：（1）用壓縮和激勵網(wǎng)絡(luò)（squeeze-and-Excitation networks ,SENet）替換了編碼器；（2）在最后一個編碼器之后添加了一個全局池化層；（3）在每個解碼器中添加了空間和通道壓縮與激發(fā)注意力機(jī)制模塊；（4）最后將每個解碼器的輸出結(jié)果連接起來。研究發(fā)現(xiàn)該模型能夠進(jìn)行準(zhǔn)確且高效的RC分割和輪廓分割。在一項(xiàng)最近的研究中，DOU 等[31]設(shè)計了一種注意力融合U-Net DL模型，該模型以多參數(shù)MRI圖像為輸入，通過嵌入注意力融合模塊，有效地融合了多參數(shù)MRI圖像的特征。試驗(yàn)結(jié)果顯示，該模型的骰子相似度系數(shù)為0.821±0.065，是目前最先進(jìn)的RC圖像分割方法。

綜上所述，初步的研究結(jié)果顯示，基于MRI 的DL 在分割RC 病灶方面取得了良好的成果，具有廣闊的臨床應(yīng)用前景。然而，上述試驗(yàn)所提出的方法均是設(shè)計用于2D 圖像分割的。與之相比，MRI 圖像在醫(yī)學(xué)實(shí)踐中通常是3D 圖像。由于該方法可能無法正確處理沒有腫瘤區(qū)域的情況，這可能導(dǎo)致誤分割的問題。其次，由于測試集的規(guī)模相對有限，因此無法充分代表不同醫(yī)療中心和MRI 設(shè)備之間的差異。未來，添加來自不同醫(yī)療中心和MRI 設(shè)備的更多數(shù)據(jù)，并且開發(fā)基于3D 卷積的分割模型，可能會更有意義。

5 基于MRI 的DL 對于基因分型的術(shù)前無創(chuàng)預(yù)測研究

研究表明，在約35%～50%的RC 中發(fā)現(xiàn)KRAS突變，這與侵襲性腫瘤生物學(xué)行為、對表皮生長因子抑制劑的耐藥性和總體生存率降低相關(guān)[32]。表皮生長因子受體抗體（如西妥昔單抗和帕尼單抗）能夠改善野生型KRAS患者的結(jié)局，而在突變型KRAS患者中卻觀察到了負(fù)面影響[33]。因此，美國國立綜合癌癥網(wǎng)絡(luò)（national comprehensive cancer network, NCCN）指南[34]建議不應(yīng)向具有突變型KRAS/NRAS/BRAF的患者提供諸如西妥昔單抗或帕尼單抗的抗癌藥物。由于原發(fā)腫瘤不同區(qū)域內(nèi)的遺傳異質(zhì)性可能發(fā)生變化[35]，所以開發(fā)一種無創(chuàng)易行的方法，通過提供實(shí)時監(jiān)測的組織學(xué)評估來預(yù)測KRAS突變狀態(tài)具有重要價值。SONG等[36]提出了一種多任務(wù)注意力模型來識別RC患者中的KRAS突變，該模型主要由分割子網(wǎng)絡(luò)和識別子網(wǎng)絡(luò)組成。研究發(fā)現(xiàn)該模型對于KRAS突變識別的準(zhǔn)確度為89.95%±1.23%，敏感度為89.29%±1.79%，特異度為90.53%±2.45%，AUC 為0.9573±0.0502。結(jié)果表明，此模型在識別KRAS 基因突變中表現(xiàn)出較好的性能。LIU等[37]使用MobileNetV2架構(gòu)構(gòu)建了兩種DL 模型：（1）T2WI 圖像模型；（2）T2WI和臨床因素的組合模型。在測試集中臨床模型、T2WI 圖像模型和組合模型的AUC 分別為0.668、0.765 和0.841。結(jié)果表明，結(jié)合T2WI 和臨床因素的組合模型顯示出最佳的診斷性能。因此，它可以作為一種補(bǔ)充方法，無創(chuàng)評估RC的KRAS突變。同樣值得注意的基因分型還有微衛(wèi)星不穩(wěn)定性（microsatellite instability, MSI），由于其對RC預(yù)后和治療的重要價值而受到廣泛關(guān)注。MSI 是由一個或多個錯配修復(fù)（mismatch repair, MMR）基因丟失導(dǎo)致的結(jié)果。研究顯示，具有MSI的RC 患者預(yù)后略優(yōu)于具有微衛(wèi)星穩(wěn)定性（microsatellite stability, MSS）的患者，但卻無法從5-氟尿嘧啶的輔助化療中獲益[38]。因此MSI 的檢出對RC 患者的個性化治療具有重要意義[39]。然而，標(biāo)準(zhǔn)的遺傳學(xué)和免疫組織化學(xué)檢測不僅耗時長，而且診斷活檢通常需要特定設(shè)備，限制了其實(shí)用性[40]。因此，蘇木精和伊紅染色（hematoxylin-eosin, H&E）組織切片的目視檢查仍然是MSI 檢測的常用方法。最近，基于H&E 染色組織學(xué)全切片圖像的DL 模型已被開發(fā)用于預(yù)測RC 的MSI，KATHER 等[41]開發(fā)了第一個用于預(yù)測RC MSI 狀態(tài)的全自動DL 模型，并展現(xiàn)出不錯的預(yù)測能力。ECHLE 等[40]分析了DL 模型在RC H&E 染色載玻片上檢測MSI 的應(yīng)用，構(gòu)建了一個新的DL模型，其與KATHER等先前開發(fā)的模型的預(yù)測性能相當(dāng)。近來，陸續(xù)又有很多新模型[42-44]被開發(fā)并得到驗(yàn)證，它們以用時更少、成本更低以及更加精準(zhǔn)的方法預(yù)測RC MSI。然而，這些方法仍然依賴于活檢或手術(shù)標(biāo)本，并且不能避免瘤內(nèi)異質(zhì)性的影響。因此，開發(fā)一種無創(chuàng)、易重復(fù)的方法用于術(shù)前預(yù)測MS 狀態(tài)具有重要的臨床意義。針對這一問題，ZHANG 等[45]使用改進(jìn)后的MobileNetV2 架構(gòu)構(gòu)建基于術(shù)前T2WI圖像的單純影像學(xué)模型、臨床變量模型、整合臨床變量和圖像特征的組合模型，來無創(chuàng)預(yù)測MSI 狀態(tài)。結(jié)果顯示，在測試集中，臨床變量模型對MSI預(yù)測的準(zhǔn)確度為37.5%，AUC值為0.573，單純影像學(xué)模型和組合模型對MSI 預(yù)測的準(zhǔn)確度分別為75.0%和85.4%，AUC 值分別為0.820 和0.868。兩種DL 模型的表現(xiàn)都優(yōu)于臨床變量模型，尤其是整合臨床變量和圖像特征的組合模型實(shí)現(xiàn)了最佳的預(yù)測性能。然而，兩個DL 模型間的預(yù)測性能沒有顯著差異，這可能與臨床變量未能為模型提供重要信息有關(guān)。該研究表明，基于高分辨率T2WI 圖像的DL 模型對預(yù)測RC患者的MSI狀態(tài)具有廣闊的前景。

上述研究顯示，結(jié)合臨床因素和T2WI 的DL 模型顯示出良好的評價性能。因此，這可能作為一種非侵入性評估的補(bǔ)充方法，用于預(yù)測基因分型。然而，這兩項(xiàng)研究都僅使用T2WI單獨(dú)開發(fā)DL模型，對多參數(shù)MRI 在改善DL 模型診斷性能方面的價值需要進(jìn)一步探討。此外，目前在基因分型方面，基于MRI 的DL 技術(shù)的研究相對較少，未來可能會成為一個值得關(guān)注的研究熱點(diǎn)。

6 小結(jié)

DL 作為一門新興且發(fā)展迅速的技術(shù)在醫(yī)學(xué)領(lǐng)域中的研究正不斷深入。基于MRI的DL 在提高RC患者分期診斷的準(zhǔn)確性、評估治療反應(yīng)、預(yù)測復(fù)發(fā)和預(yù)后等方面已經(jīng)顯示出極大的潛力，具有廣闊的研究前景。然而，目前的研究仍然存在諸多挑戰(zhàn)。第一，不同儀器掃描參數(shù)、患者個體間差異以及圖像提取技術(shù)等不同均可對DL 相關(guān)研究的可重復(fù)性及穩(wěn)定性產(chǎn)生較大影響，導(dǎo)致最終所構(gòu)建模型的可信度降低。第二，提高模型性能是構(gòu)建DL 模型的一個關(guān)鍵問題。未來，可以結(jié)合多模態(tài)（CT、MRI、病理切片、基因組學(xué)等）和多時間（治療前和治療后）數(shù)據(jù)，并在臨床實(shí)踐中進(jìn)行大規(guī)模驗(yàn)證，以進(jìn)一步提高模型的預(yù)測能力。第三，雖然DL 中的無監(jiān)督和自監(jiān)督方法不需要耗時耗力的圖像特征提取，但受限于復(fù)雜的醫(yī)學(xué)結(jié)構(gòu)、醫(yī)學(xué)場景和圖像質(zhì)量參差不齊等因素，現(xiàn)有算法還不能在高精度全自動的工作流程中達(dá)到高標(biāo)準(zhǔn)的醫(yī)學(xué)要求。第四，模型的穩(wěn)健性和泛化能力也是影響DL 在臨床應(yīng)用中的重要因素。目前大多數(shù)研究僅基于少量數(shù)據(jù)和單中心數(shù)據(jù)源，如果模型的性能能夠在多中心大數(shù)據(jù)集中得到進(jìn)一步驗(yàn)證，那么所構(gòu)建的模型可以為RC 患者的個性化治療提供更好的指導(dǎo)。

綜上所述，DL 已經(jīng)在RC 的分期、新輔助治療后評估、病灶分割以及對基因分型的術(shù)前無創(chuàng)預(yù)測研究等方面取得一定進(jìn)展。相信隨著更先進(jìn)算法的應(yīng)用、更大樣本量以及多中心數(shù)據(jù)加入，穩(wěn)定性及準(zhǔn)確性更高的模型一定會被開發(fā)，使DL 在RC 的研究方面發(fā)揮出獨(dú)特優(yōu)勢，為精準(zhǔn)化、個性化治療策略實(shí)施提供新的診斷模式。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻(xiàn)聲明：李曉夫設(shè)計本綜述的框架，參與稿件重要內(nèi)容的修改，獲得了新疆生產(chǎn)建設(shè)兵團(tuán)財政科技計劃項(xiàng)目資助；石晟銘參與研究的構(gòu)思和設(shè)計，數(shù)據(jù)的收集、整理、分析和解釋，撰寫論文并參與論文重要內(nèi)容的修改；肖玲清、馬佳琪、劉晗、武玉鵬參與研究的構(gòu)思和設(shè)計，數(shù)據(jù)的收集、整理、分析和解釋，參與論文重要內(nèi)容的修改；全體作者都同意最后的修改稿發(fā)表，都同意對本研究的所有方面負(fù)責(zé)，確保本研究的準(zhǔn)確性和誠信。