类型a
作者与研究机构及发表信息
本研究的主要作者包括Wei Zhang、Hongkun Yin和Zixing Huang，他们来自四川大学华西医院放射科、中国人民武装警察部队四川省总队医院放射科以及北京推想科技研究院等机构。该研究于2021年发表在《Cancer Medicine》期刊上。
学术背景与研究动机
直肠癌（Rectal Cancer, RC）是全球最常见的癌症之一，其治疗效果因肿瘤分子病理特征的异质性而存在显著差异。微卫星不稳定性（Microsatellite Instability, MSI）是一种由错配修复基因（Mismatch Repair, MMR）缺失导致的现象，在直肠癌的预后和治疗中具有重要意义。研究表明，MSI状态不仅影响患者对5-氟尿嘧啶（5-FU）辅助化疗的反应，还是免疫治疗的重要预测生物标志物。然而，传统的MSI检测方法依赖于免疫组化（IHC）或基因分析，这些方法存在操作复杂、设备依赖性强以及侵入性采样风险高等问题。因此，开发一种非侵入性、可重复且全面的术前预测MSI状态的方法具有重要的临床意义。本研究旨在基于高分辨率T2加权磁共振成像（MRI）开发并验证一种深度学习模型，用于术前预测直肠癌患者的MSI状态。
研究流程与实验设计
本研究为单中心回顾性研究，共包括491名经病理学证实的直肠癌患者。这些患者被随机分为训练/验证队列（n=395）和测试队列（n=96）。研究流程主要包括以下几个步骤：
患者筛选与数据收集
初始纳入715名患者，排除标准包括接受过术前放化疗、未进行MSI检测、图像质量差、肿瘤过小或难以识别以及黏液腺癌等情况。最终纳入491名患者，其中MSI患者51例（10.39%），MSS（微卫星稳定）患者440例。每位患者均接受MRI扫描，并记录其临床病理特征，如年龄、性别、分化程度、T分期、Ki-67阳性细胞百分比（Ki67%）、癌胚抗原（CEA）水平和糖类抗原19-9（CA19-9）水平。
肿瘤分割与图像处理
通过ITK-SNAP软件（v3.6.0），由一名具有超过10年经验的胃肠放射科医生手动分割肿瘤区域，共计标注了4151个包含肿瘤区域的切片（3742个来自MSS患者，409个来自MSI患者）。为确保准确性，当肿瘤轮廓不确定时，咨询了一位具有20年腹部影像诊断经验的放射科医生进行最终决策。随后，对MRI图像进行归一化处理，并裁剪出包含肿瘤区域的96×96×16像素的3D立方体，同时进行数据增强操作以提高模型训练效率。
模型开发与验证
研究构建了三种预测模型：
模型解释与可视化
使用梯度加权类激活映射（Grad-CAM）技术生成显著性图，以可视化模型在T2WI图像中用于区分MSI和MSS的关键区域。对于联合模型，还展示了各临床特征的相对权重。
主要结果
1. 临床模型的表现
在测试队列中，临床模型的AUC值为0.573（95%置信区间[CI]：0.468~0.674），准确率为37.5%，敏感性为100.0%，特异性为31.0%。这表明仅使用临床特征无法有效区分MSI和MSS状态。
深度学习模型的表现
显著性图分析
显著性图显示，模型关注的区域不仅包括肿瘤本身，还涉及肿瘤周围区域，可能与MSI肿瘤倾向于增加黏膜下层侵袭的趋势有关。此外，联合模型中临床特征的相对权重较小，表明其对最终预测的贡献有限。
结论与意义
本研究首次基于高分辨率T2加权MRI开发并验证了一种深度学习模型，用于术前预测直肠癌患者的MSI状态。该模型表现出良好的预测性能，尤其是联合模型在整合临床特征后进一步提升了预测能力。尽管如此，临床特征对模型的贡献较小，表明仅基于MRI的深度学习模型即可提供足够的信息来确定患者的MSI状态。这一研究成果不仅有助于识别可能从化疗或免疫治疗中获益的患者，还可为制定个体化治疗策略提供支持。
研究亮点
1. 重要发现：基于MRI的深度学习模型能够有效预测直肠癌患者的MSI状态，联合模型表现最佳。
2. 方法创新：首次将深度学习应用于直肠癌MSI状态的预测，避免了传统方法的侵入性和局限性。
3. 特殊性：研究聚焦于直肠癌，减少了左右侧结直肠癌病理差异带来的偏倚，同时利用MRI的高软组织分辨率优势提高了模型性能。
其他有价值内容
研究还探讨了不平衡数据分类的挑战，并提出了一种基于成本敏感学习和批次平衡策略的解决方案。此外，作者指出未来研究应进一步扩大样本量、进行多中心验证，并探索自动分割方法以提高效率和减少主观误差。