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%；此时不适合做腔内局部切除术，而转为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表现，这限制了其在临床的广泛应用。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，但存在LN微转移和阅读者之间有限的一致性。

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，缺乏进一步的验证。根据欧洲胃肠道和腹部放射学会小组的意见，这些参数不建议用于LN评估。

18F-氟脱氧葡萄糖的PET/CT可以显示病变的代谢信息，对LN的评价意义重大。然而，这种方法的灵敏度较低。PET-MRI可以产生高分辨率的解剖和功能数据，为直肠癌的N分期提供了很好的预后。然而，PET-MRI与较长的采集时间和较高的支出有关。因此，临床上迫切需要一种新的诊断方法来明确诊断。

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。DL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稳定性。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，很少有研究试图评估DL模型的价值，特别是使用原发肿瘤的MR图像来预测直肠癌的LNM。

近日，发表在European Radiology杂志的一项研究评估了DL模型使用原发肿瘤的T2加权MR图像（T2WI）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，并将其随机分配到训练、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在训练集中从0.80（95%置信区间[CI]：0.75，0.85）到0.89（95%CI：0.85，0.92）不等，在验证集中从0.77（95%CI：0.62，0.92）到0.89（95%CI：0.76，1.00）。基于三维网络结构的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），且明显高于集合读者（AUC，0.54[95% CI：0.48，0.60]；P < 0.001）。 

 图 预测淋巴结转移的最佳深度学习模型（三维ResNet101）和集合读者的接收操作特征曲线分析

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，这为临床进行早期、准确的术前风险分级及预后评估提供了参考依据。 

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