（根据文档内容判断，该文档属于类型a：单篇原创研究论文的报告）

学术研究报告：基于深度学习的CT分类器与病理标志物优化II期结直肠癌辅助治疗决策的风险分层系统

一、作者与机构
本研究由Y. Q. Huang（黄裕卿）等15位作者共同完成，主要来自中国南方医科大学广东省人民医院放射科（Department of Radiology, Guangdong Provincial People’s Hospital）、荷兰马斯特里赫特大学医学中心（Maastricht University Medical Centre+）等12个研究中心。论文发表于《Annals of Oncology》2025年第36卷第10期。

二、学术背景
II期结直肠癌（CRC）当前的风险分层方法在识别辅助化疗获益患者方面准确性有限，可能导致过度治疗或治疗不足。传统临床指南（如ESMO和NCCN）依赖的病理标志物（如pT4分期、淋巴结取样数<12、神经浸润PNI、淋巴管浸润LVI）预测效能有限，3年无病生存率（DFS）改善仅3%-5%。本研究领域亟需整合人工智能影像分析与病理标志物的新型分层系统。研究目标是通过开发基于CT的深度学习分类器STAR-CRC（Swin Transformer Assisted Risk-stratification for CRC），结合病理标志物构建智能风险整合系统IRIS-CRC，实现更精准的个体化治疗决策。

三、研究方法与流程
1. 患者队列与数据收集
- 纳入2992例II期CRC患者（训练集1587例，外部验证集1405例），来自12个医疗中心（2012-2020年数据）。
- 收集临床病理数据：年龄、性别、pT分期、淋巴结取样数（NLNS）、肿瘤分化程度、PNI、LVI状态。主要终点为3年DFS，次要终点为总生存期（OS）。

1. 影像处理与深度学习模型开发

   • 影像获取与预处理：采用多平面CT（轴位、冠状位、矢状位）图像，通过MediaHub软件进行肿瘤分割与标准化预处理。
     
   • 两阶段模型训练：
     
     • 第一阶段：开发多平面CT基础模型（Multi-planar CT Foundation Model），使用Swin Transformer架构整合三视图特征。
       
     • 第二阶段：微调为三个视图特异性模型（AX、COR、SAG模型），通过投票机制将患者分为低风险（所有视图一致低风险）、高风险（所有视图一致高风险）和不确定风险组（视图结果不一致）。
       
   • 创新算法：提出STAR-CRC分类器，采用滑动窗口切片评分策略（图1），通过最优截断值（轴位0.133、冠状位-0.094、矢状位0.126）实现风险分层。

2. 病理标志物整合与IRIS-CRC系统构建

   • 对不确定风险组患者，采用复合评分（pT4=1分、NLNS≤12=1分、PNI阳性=1分、LVI阳性=1分）进一步分层：
     
     • 0-1分：中危组（Intermediate）
       
     • ≥2分：高危组（Poor）
       
   • 最终形成四层分级：
     
     • 预后良好（Favorable，STAR-CRC低风险）
       
     • 中等预后（Intermediate）
       
     • 预后不良（Poor）
       
     • 极差预后（Very Poor，STAR-CRC高风险）

3. 分子机制验证

   • 对53例患者进行RNA测序分析，发现低风险组富集干扰素应答和免疫激活通路（如Th1细胞信号），而高风险组上调MYC增殖和细胞周期通路（如E2F调控）。

四、主要研究结果
1. 风险分层效能
- 在外部验证集中，IRIS-CRC将27.1%的传统指南高风险患者降级至预后良好组（3年DFS≥95%），同时将6.5%的低风险患者升级至极差预后组（3年DFS≤55%）。
- 与传统指南系统GRSS-CRC相比，IRIS-CRC的C指数显著提高（外部验证集：0.686 vs 0.584，P<0.0001）。

1. 生存分析

   • 四层分组的3年DFS率呈梯度下降：
     
     • 预后良好组：95%（训练集）、98%（内部验证）、95%（外部验证）
       
     • 极差预后组：36%、29%、55%
       
   • 多变量Cox回归显示IRIS-CRC风险分层独立于病理因素（HR=9.09，95%CI 6.19-13.36，P<0.001）。

2. 治疗指导价值

   • 在辅助化疗亚组中，IRIS-CRC仍保持显著分层能力（P<0.0001），而GRSS-CRC失效。
     
   • 分子分析证实低风险组具有免疫活性特征，可能解释其良好预后。

五、研究结论与价值
1. 科学价值
- 首次实现CT影像组学与病理标志物的多模态整合，提出可解释的深度学习框架STAR-CRC。
- 通过分子机制验证揭示了风险分层的生物学基础：免疫激活与增殖通路的平衡决定预后。

1. 临床意义
   
   • 可避免53.5%低危患者接受不必要的辅助化疗（传统指南仅识别37.9%低危人群）。
     
   • 为高风险患者（7.3%）提供强化治疗依据，较传统指南更精准。

六、研究亮点
1. 方法学创新
- 开发多平面Transformer架构，模拟放射科医师多视角诊断思维。
- 首创“不确定风险组”再分层策略，结合病理评分优化灰色地带患者管理。

1. 临床转化潜力
   
   • 提供开源工具（GitHub链接），支持临床端到端部署。
     
   • 研究结果被ESMO 2025指南列为II期CRC风险分层II级证据。

七、其他价值
研究揭示了MYC通路激活与影像特征的关联，为未来靶向治疗提供影像学生物标志物探索方向。局限性包括回顾性设计及部分病理标志物数据缺失，需前瞻性试验进一步验证。