《Insights into Imaging》：A pre-trained foundation model framework for multiplanar MRI classification of extramural vascular invasion and mesorectal fascia invasion in rectal cancer
编辑推荐：
准确的基于MRI的壁外血管侵犯(extramural vascular invasion, EVI)与直肠系膜筋膜侵犯(mesorectal fascia invasion, MFI)识别，对直肠癌风险分层治疗至关重要。然而，主观视觉评估与机构间差异限制了诊断
准确的基于MRI的壁外血管侵犯(extramural vascular invasion, EVI)与直肠系膜筋膜侵犯(mesorectal fascia invasion, MFI)识别，对直肠癌风险分层治疗至关重要。然而，主观视觉评估与机构间差异限制了诊断一致性。本研究开发并验证了一种多中心、基础模型驱动框架，可在轴位与矢状位MRI上自动分类EVI与MFI。研究回顾性纳入三家欧洲医院的331例治疗前直肠癌T2加权MRI扫描，采用自监督频率域校正策略以降低扫描仪差异。研究人员训练并测试了三种分类器：SeResNet、带多层感知机头的通用生物医学预训练模型(universal biomedical pretrained model, UMedPT)，以及基于冻结UMedPT特征的逻辑回归变体(UMedPT_LR)。梯度加权类激活映射(gradient-weighted class activation mapping, Grad-CAM)用于可视化模型预测。结果显示，结合多平面融合的UMedPT_LR在EVI任务中表现最优（测试集AUC=0.82）。对于MFI，基于校正后轴位图像训练的UMedPT性能最高（AUC=0.77）。两项任务均优于CHAIMELEON 2024基准（EVI：0.82 vs 0.74；MFI：0.77 vs 0.75）。校正提升了MFI分类性能，多平面融合进一步增强了EVI表现。Grad-CAM证实模型关注区域符合生物学合理性：EVI聚焦于瘤周区域，MFI聚焦于直肠系膜筋膜边界。该基础模型驱动框架结合频率域校正与多平面融合，实现了MRI自动化EVI与MFI分类的当前最佳性能，并在多中心数据中展现出强泛化能力。针对直肠癌MRI的机构间不一致性，结合跨扫描仪校正的多种平面基础模型显著提升了EVI与MFI检出率，有望标准化分期并指导治疗。该研究是首批利用轴位与矢状位T2加权MRI同时研究EVI与MFI自动分类的工作之一；基础模型提取的特征在EVI与MFI分类中优于传统卷积神经网络(convolutional neural networks, CNNs)；频率域校正与多平面融合可选择性提升诊断性能；EVI与MFI的自动化预测可支持跨机构分期与治疗决策的一致性。
该研究发表于《Insights into Imaging》，聚焦直肠癌精准分期需求，针对当前MRI评估壁外血管侵犯(extramural vascular invasion, EVI)与直肠系膜筋膜侵犯(mesorectal fascia invasion, MFI)存在的诊断主观性强、机构间差异大、深度学习模型泛化能力不足等问题，开发了基于通用生物医学预训练模型(universal biomedical pretrained model, UMedPT)的多平面自动化分类框架。研究旨在克服扫描仪差异对模型稳定性的影响，提升EVI与MFI检测的准确率与可解释性，为临床风险分层与治疗决策提供客观依据。
研究人员采用三项关键技术方法：数据来源于欧洲CHAIMELEON项目的331例多中心治疗前直肠癌T2加权MRI扫描，覆盖两家主流设备厂商，按预设比例划分为训练验证集(n=265)与独立测试集(n=66)；引入自监督频率域校正策略减少扫描仪异质性；对比三类模型性能——传统卷积神经网络SeResNet、基于UMedPT的微调模型及冻结特征的UMedPT_LR逻辑回归变体，并通过梯度加权类激活映射(Grad-CAM)实现预测可视化。
研究结果分为四个部分。患者特征分析显示，中位年龄65岁，男性占60.7%，EVI阳性率31.1%，MFI阳性率23.6%，各队列人口学与影像特征无显著差异(p>0.05)。分类结果方面，EVI任务中，多平面融合的UMedPT_LR取得最优性能(AUC=0.82，灵敏度0.75，F1值0.73)，显著优于CHAIMELEON 2024基准(AUC=0.74)，且频率域校正未提升EVI检测效果；MFI任务中，基于校正后轴位图像训练的UMedPT表现最佳(AUC=0.77，平衡准确率0.72)，同样超过基准(AUC=0.75)，多平面融合未进一步提升性能。Grad-CAM可视化表明，模型关注区域符合病理生理基础：EVI预测聚焦于肿瘤边界局部区域，MFI预测则覆盖直肠系膜筋膜周边更广范围。方法学质量评估采用放射组学质量评分2.0(Radiomics Quality Score 2.0, RQS 2.0)，框架得分25/35(71%)，对应放射组学准备水平6级，具备多中心验证与临床转化潜力。
讨论部分指出，基础模型在EVI与MFI分类中均优于传统CNN，多平面融合与频率域校正可作为互补策略提升模型鲁棒性。与既往依赖手工特征工程的放射组学研究相比，该框架在小样本条件下仍实现更高泛化性；轴位图像对两项任务贡献更大，矢状位信息仅在存在互补价值时提升性能。频率域校正对MFI有益但对EVI可能产生负面效应，提示校正策略需适配具体生物学问题与模型特征依赖关系。研究局限性包括未进行中心分层验证、样本量有限、缺乏系统性错误分析与前瞻性验证。结论强调，UMedPT与UMedPT_LR在多中心直肠癌MRI的EVI与MFI分类中达到当前最佳性能，多平面融合、频率域校正与标准化直肠裁剪共同促进性能提升，该框架有望应用于临床分期流程。
