近年来，由于肠癌筛查项目的普及和诊断技术的进步，早期（T1-2）直肠癌的发病率一直在增加。大约有10.3-26.1%的T1-2直肠癌患者有淋巴结转移（LNM）。一旦发现LNM，TNM分期从I期上升到III期，5年相对生存率从96%下降到78%，此时则不适合做腔内局部切除术而需要采取根治性治疗策略（如全直肠系膜切除术）。因此，术前准确识别T1-2期直肠癌患者的LN状态对于预后分层和个体化治疗决策至关重要。

现阶段，MRI和直肠内超声已被引入早期直肠癌的术前分期。然而，直肠内超声的准确性高度依赖于操作者的经验和肿瘤的本身特征，这限制了其临床应用。MRI是直肠癌局部分期的最佳方式，肿瘤分期的准确性为85%，而N分期的准确性仍然相对较低。虽然淋巴结大小是主要评价标准，但良性和恶性LN的大小是重叠的。虽然形态学特征提供了额外的信息，但其受到LN微转移和阅读者之间有限一致性的影响。此外，15%的恶性LN<3mm不能在MRI上检测到。据报道，基于功能性MRI序列的定量和半定量参数改善了直肠癌的LNM预测；然而，研究结果存在争议气温缺乏进一步验证。

18F-氟脱氧葡萄糖的PET/CT可以显示病变的代谢信息，对LN的评估具有重要的价值。然而，这种方法的灵敏度低，部分原因是软组织的空间和对比度分辨率差。PET-MRI可以产生高分辨率的解剖和功能数据，为直肠癌的N分期提供了机会。然而，PET-MRI的采集时间较长、费用较高，因此很难在临床上常规应用。

深度学习（DL）因其出色的图像识别能力引起了放射科医生的极大关注，可以自动学习图像的分层特征表示并提供肉眼无法检测的细节。与传统的放射组学特征相比，DL特征具有更高的选择性和不变性。用于临床肿瘤学的DL模型在脑转移检测、骨肿瘤分类和乳腺癌风险预测方面显示出良好的效果。在直肠癌中，研究的重点是新辅助化疗后的反应评估。然而，很少有人试图评估DL模型预测直肠癌LNM的价值。

近日，发表在European Radiology杂志的一项研究评估了使用原发肿瘤的T2加权MR图像（T2WI）的DL模型在预测T1-2期直肠癌患者LNM的能力，并将其诊断性能与放射科医生的诊断性能进行了比较。

本项回顾性研究纳入了2013年10月-2021年3月期间接受术前MRI检查的T1-2期直肠癌患者，并将其分配到训练、验证和测试集。在T2加权图像上训练和测试了四个二维和三维（3D）残余网络（ResNet18、ResNet50、ResNet101和ResNet152）以识别LNM患者。三位放射科医生独立评估了MRI上的LN状态，并将诊断结果与DL模型进行了比较。使用AUC评估预测性能，并使用Delong方法进行比较。 

总共有611名患者接受了评估（444名训练，81名验证，86名测试）。八个DL模型的AUC在训练组中从0.80（95%置信区间[CI]：0.75，0.85）到0.89（95%CI：0.85，0.92）不等，在验证组中从0.77（95%CI：0.62，0.92）到0.89（95%CI：0.76，1.00）。基于3D网络架构的ResNet101模型在测试集中预测LNM的性能最好，AUC为0.79（95%CI：0.70，0.89），明显大于集合读者（AUC，0.54[95%CI：0.48，0.60]；P < 0.001）。 

图 使用Grad-CAM + +技术进行模型可视化的两个示例。图像来自一位56岁的患有T2N2期病变的女性（a）和一位64岁的患有T2N0期病变的女性（b）。红色区域代表较大的预测值，蓝色区域代表较低的预测值。被模型激活的区域可能在肿瘤和瘤周区域，表明这两个区域对分类都是有效的

本项研究表明，基于原发肿瘤术前MR图像的DL模型在预测T1-2期直肠癌患者的LNM方面优于放射科医生，这为临床进行准确、快速且便捷的直肠癌术前风险分层提供了技术支持。

 

原文出处：

Lijuan Wan,Jiesi Hu,Shuang Chen,et al.Prediction of lymph node metastasis in stage T1-2 rectal cancers with MRI-based deep learning.DOI:10.1007/s00330-023-09450-1