深度学习在磁共振成像（MRI）中的应用：用于直肠癌的预后预测

《European Radiology》：Application of deep learning on MRI for prognostic prediction in rectal cancer

直肠癌预后评估联合模型构建及验证。采用多实例学习整合MRI切片特征与临床病理参数，建立列线图模型。结果显示联合模型在总生存期（OS）和疾病复发期（DFS）的C-index分别为0.819-0.822和0.768-0.721，显著优于单独临床模型或MIL模型。

　　

摘要

目标

本研究利用治疗前MRI数据，开发并验证了一种结合临床特征与深度学习的直肠癌综合模型。

材料与方法

我们回顾性地收集了来自三家医院的458名患者的资料，并对其进行了至少3年的随访。收集了临床、病理和影像学数据。采用多实例学习（MIL）技术整合多个切片的信息以提高模型预测性能。为提升预测能力，构建了一个结合深度学习特征和临床病理参数的判别图。模型性能通过Harrell’s C指数和时间依赖的ROC曲线进行评估。

结果

训练集包含268名患者，验证集包含115名患者，外部测试集包含75名患者。在总生存期（OS）方面，MIL模型在训练组中的C指数为0.757，在验证组中为0.754，在测试组中为0.741；而临床模型的相应C指数分别为0.666、0.772和0.756。将MIL特征与临床特征相结合的综合模型进一步提升了预测性能，在训练组、验证组和外部测试组中，OS的C指数分别为0.819、0.822和0.759，无病生存期（DFS）的C指数分别为0.768、0.750和0.721。

结论

通过结合临床方法和深度学习的互补优势，该综合模型增强了预测的稳健性，使得直肠癌的术前风险评估更加准确和个性化。

要点

问题 直肠癌的管理需要更精确的预后模型，以优化治疗策略并改善对患者的临床决策。

发现 综合模型利用了临床特征和深度学习特征之间的协同效应，提升了预后预测性能，并实现了更个性化的术前风险分层。

关键意义 本研究表明，MIL技术能够提取与临床知识互补的深度学习特征。该综合模型利用了这种协同作用，为临床医生提供了更强大的个性化预后评估工具。

图形摘要