European Radiology：基于深度学习的三维超分辨率MRI放射组学模型对直肠癌术前T分期的预测

目前，结直肠癌在全球肿瘤发病率和死亡谱中分别排名第三和第二。直肠癌（RC）占结直肠癌的1/3，在东亚的发病率最高。尽管根治性手术仍然是唯一的治愈方法，但基于治疗前分期的新辅助化疗（nCRT）的实施提高了R0的切除率，并进一步改善了局部肿瘤的控制。nCRT被推荐为局部晚期RC（LARC）患者（T3/4和/或N+）的标准疗法，而对于早期患者（T1/2和N-）则没有治疗指征。为避免过度治疗或治疗不足，术前准确评估T分期以区分T1/2和T3/4肿瘤是十分必要的。高分辨率（HR）T2加权成像（T2WI）具有精细的软组织分辨率，已成为RC局部分期的一线成像方式；然而，总体准确率在60-75%之间，有研究报道T2肿瘤的平均过度分期率为30-57%。在这种情况下，提高对原发肿瘤T分期的评估，对精确治疗和优化治疗策略具有重要的临床价值。

放射组学作为一种新兴的数据提取手段，可通过挖掘医学图像中的高维数据来定量评估肿瘤的异质性。研究表明，放射组学可通过发现人眼不可见的疾病特征来改善病人管理和临床决策。在RC，放射组学在不同的肿瘤学场景中取得了令人印象深刻的表现，包括评估肿瘤的生物学行为、评估治疗反应以及预测预后。尽管有这些进展，但在目前的医学成像中，放射组学特征往往受到各向异性分辨率和低体素统计的影响。为了提高放射组学模型的稳健性和稳定性，通过在模型构建中应用更高的分辨率图像来解决这些限制是相当重要的。

超分辨率（SR）技术，旨在从低分辨率的观察中恢复更高的数字图像的空间分辨率，自20世纪80年代以来就被提出并引入临床。近年来，随着深度学习（DL）的发展，SR在医学成像方面取得了卓越的表现。除了恢复的SR图像在多空间梯形中表现出良好的稳定性和可靠性外，DL-SR在医学影像学中也引起了关注，因为从SR图像中提取的放射组学特征被定量证明具有明显的可重复性和稳定性。然而，目前的放射组学研究都没有利用DL-SR技术来发现特定的放射组学生物标志物以供临床使用。

近日，发表在European Radiology杂志的一项研究开发并验证了一个用于术前预测RC患者T分期的SR放射组学模型，为首次在临床上展示基于DL的三维（3D）SR放射组学研究。

本研究共纳入76名符合条件的RC患者（T1/2=287，T3/4=419），并按时间顺序分配为训练队列（n=565）和验证队列（n=141）。本研究对高分辨率（HR）T2加权成像（T2WI）进行了深度转移学习网络分析，以提高图像的Z分辨率，并获得了术前SRT2WI。命名为modelHRT2和modelSRT2的放射组学模型分别由HRT2WI和SRT2WI的人工分割的感兴趣体积中通过最小绝对收缩和选择运算器方法提取的高维定量特征构建。通过ROC、校准和决策曲线对模型的性能进行评估。 

ModelSRT2在区分T1/2和T3/4 RC方面优于modelHRT2（AUC 0.869，敏感性71.1%，特异性93.1%，准确性83.3%与AUC 0.810，敏感性89.5%，特异性70.1%，准确性77.3%），差异显著（P < 0.05）。两种放射学模型都取得了比放射学专家更高的AUC（0.685，95%置信区间0.595-0.775，P < 0.05）。校准曲线证实了较高的拟合度，决策曲线分析证实了其临床价值。 

图 模型评估。A Rad分数的累积分布曲线。训练（B）和测试（C）队列的ROCs。校准曲线显示了两个队列中模型的良好校准（D-G）

本研究提出了一个基于DL的三维SR放射组学模型，在预测肿瘤T分期和识别RC患者中的nCRT候选者方面优于传统的HRT2放射组学模型和放射学专家。到目前为止，这是首次将基于DL的三维SR方法应用于临床决策支持的放射组学分析。通过进一步的验证，通过SR成像的放射组学的临床效用将得到最大化的认识及利用。

原文出处：

Min Hou,Long Zhou,Jihong Sun.Deep-learning-based 3D super-resolution MRI radiomics model: superior predictive performance in preoperative T-staging of rectal cancer.DOI:10.1007/s00330-022-08952-8