0 引言

       2020年全球癌症统计报告显示，我国结直肠癌发病率和死亡率分别占全部恶性肿瘤的第2和第5位，且多数患者在确诊时已处于局部进展期^[1]。中国结直肠癌诊疗规范（2023年版）推荐术前影像学分期T3~T4期和（或）淋巴结转移的局部进展期直肠癌（locally advanced rectal cancer, LARC）患者行新辅助放化疗（neoadjuvant chemoradiotherapy, nCRT）或新辅助化疗^[2]，这有利于降低局部复发率，提高根治性手术切除率。在接受nCRT的患者中，大约有4.2%~21.3%^[3]患者可达到病理完全缓解（pathologic complete response, pCR），根据Dworak肿瘤消退分级^{[4, 5]}（tumor regression grade, TRG），pCR被定义为无肿瘤细胞残留，只有纤维化。有研究表明达到pCR的患者在接受全直肠系膜切除术（total mesorectal excision, TME）后并不能进一步改善预后，反而会出现泌尿生殖系紊乱及肠道功能失调等并发症^{[6, 7, 8]}，所以这类患者可以考虑“等待观察”的治疗策略^[9]。MRI具有较好的软组织分辨率和多参数成像等特点，可准确地评估直肠癌肿块的大小、浸润的深度、邻近器官的受累情况及远处转移等^[10]，但LARC患者nCRT后肿瘤细胞密度的减低早于形态学改变，换而言之，肿瘤形态学没有变化，但并不意味着细胞学没有改变^[2]。常规MRI仅能基于形态学改变评估LARC患者对nCRT的疗效，未能从细胞学角度微观反映肿瘤对治疗的反应。功能磁共振成像（functional magnetic resonance imaging, fMRI）可在细胞学水平反映肿瘤的生理和生物学特征，从而广泛应用于LARC患者nCRT后的疗效评价^[10]。达到pCR的LARC患者除了发生肿瘤体积缩小外，还存在肿瘤细胞活性及密度的减低。fMRI通过定量参数来反映水分子的扩散，从而推测肿瘤组织的密度、灌注等病理生理信息，但不同的fMRI序列获取的定量参数不同，目前尚缺少较为可靠的定量指标在nCRT前预测pCR患者。因此，本文就LARC患者nCRT前fMRI定量评估pCR研究进展予以综合阐述。

1 扩散加权成像

       扩散加权成像（diffusion-weighted imaging, DWI）是一种基于水分子的无规则布朗运动来评估活体组织中细胞外间隙水分子运动差异的功能成像手段，肿瘤组织有着较高的细胞密度，导致细胞外间隙相对较窄，水分子扩散受限^[11]。DWI通过表观扩散系数（apparent diffusion coefficient, ADC）来量化活体组织内水分子的运动状态。水分子扩散受限，DWI图像上呈高信号，ADC值较低。在肿瘤诊断与疗效评估中，ADC值可被近似认为与肿瘤细胞密度呈负相关而与细胞外间隙呈正相关^{[12, 13, 14, 15]}。对nCRT敏感的患者在治疗后肿瘤首先发生局部微环境的改变，例如肿瘤细胞膜破裂，使得细胞外间隙相对增大，自由水增多，扩散加快，导致ADC值升高，因此可通过测量nCRT前后的ADC值（preADC和postADC）及其变化值[ΔADC%=（postADC-preADC）/preADC×100%]对nCRT疗效作出早期评估^[16]。

       有研究表明ADC值是LARC患者nCRT前疗效预测的潜在因子^{[17, 18, 19, 20]}，CHEN等^[21]在一项荟萃分析中进一步指出ΔADC%能够可靠筛地查出pCR的LARC患者，原因可能是放化疗导致肿瘤细胞坏死在pCR组表现更为彻底，因此ΔADC%值更高。LIANG等^[22]基于肿瘤全容积的直方图分析发现，在nCRT前，pCR组ADC值的平均值、中位数值均低于非pCR组，这可能是因为在治疗前较高的细胞密度往往和较好的组织灌注有关，这更有利于化疗药物到达病灶，肿瘤对治疗也更敏感。但传统DWI图像的空间分辨率有限，不利于准确地勾画病灶。YANG等^[23]利用分段读出平面回波成像技术获得高分辨的DWI图像，显著提高了ADC值在术前筛查pCR患者的诊断性能。综上，ADC值粗略地反映了肿瘤细胞密度，或可成为预测pCR患者的可靠预测因子，未来的研究中可结合其他信号激励或采集技术提高图像空间分辨率，以准确测量病灶详细的扩散特性^[24]。

2 体素内不相干运动成像

       活体组织中水分子的运动包括了细胞内、细胞外间隙水分子的运动，为了将活体组织中微循环灌注从水分子扩散中分离出来，准确地反映肿瘤内部的微循环灌注和水分子真实的组织扩散率，LE BIHAN等^[25]提出了体素内不相干运动（intravoxel incoherent motion, IVIM）成像原理，即采用多个b值拟合及双指数模型同时获得微循环灌注和水分子扩散相关参数。绝大多数研究采用分段非线性最小二乘法拟合，b值阈值为200 s/mm²，通过对多个b值进行拟合可得到IVIM定量参数D、D^*及f^[26]。D表示真扩散系数，是由水分子无规则的布朗运动引起的纯扩散运动；D^*表示伪扩散系数，是由微循环灌注导致的假扩散运动；f表示微血管容积分数，代表了微循环灌注相关扩散所占比例。

       有研究显示与灌注相关参数（D^*和f）以及基于单指数模型计算的ADC值相比，ΔD%值能更准确地筛查pCR的LARC患者，提示D值或可成为LARC患者nCRT前疗效预测的潜在因子^{[27, 28, 29, 30]}。HU等^[27]还发现pCR组治疗前的灌注相关参数D^*和f高于非pCR组，提示原发灶血管化程度及灌注水平较高的患者更容易达到pCR。灌注相关参数D^*和f反映了组织中微循环灌注所占的比例，较高的D^*和f值暗示组织的高灌注和高水平氧供，但IVIM灌注相关参数（D^*和f）在既往研究中的可重复性欠佳^{[31, 32, 33]}，原因可能肿瘤的血管生成较为复杂，并且D^*和f值容易受到噪声和组织T2弛豫时间的影响。综上，IVIM通过双指数模型及多b值拟合可同时定量描述组织的扩散和灌注相关信息。其中D值排除了生理灌注效应，相对真实地反映了组织内水分子的扩散状态，在反映细胞密度方面较ADC值更为准确^[26]，或可成为LARC患者nCRT前疗效预测的潜在因子，而灌注相关参数 （D^*和f）代表了肿瘤血管化程度及灌注水平等生物学特点，也可在一定程度上反映肿瘤对nCRT的敏感性。

3 拉伸指数模型

       为了描述活体组织体素内质子池中不同的扩散指数，BENNETT等^[34]提出了拉伸指数模型（stretched exponential model, SEM），即通过高b值（一般大于1200 s/mm²）拟合反映活体组织中的水分子的扩散特点，用扩散分布系数（distributed diffusion coefficient, DDC）表示体素内平均扩散率，通过异质性指数（alpha, α）来表示单指数形式信号衰减的偏差，DDC值被认为是包含多指数衰减特性的若干ADC值的加权和，反映了多指数衰减的特点并代表了体素内的平均弥散率。α值通过描述体素内水分子扩散率的异质性从而反映组织的复杂程度，其取值范围在0~1之间，α值越低，病灶成分越复杂^[35]。

       SEM模型目前已经应用于其他肿瘤的疗效评价。ALMUTLAQ等^[36]比较了SEM模型和IVIM模型预测乳腺癌患者对新辅助化疗疗效的价值，发现α值在早期即可识别pCR患者。ZHANG等^[37]在预测晚期宫颈癌患者同步放化疗的疗效中发现应答组的α值较高而DDC值较低，并且DDC值的预测效能及一致性均最佳。CHAKHOYAN等^[38]使用SEM模型评估胶质母细胞瘤患者对放化疗的反应，结果显示放化疗导致DDC值显著升高，且治疗前的DDC值和ADC值高度相关。但目前关于SEM在LARC患者nCRT前疗效评估中的研究较少。LIANG等^[22]发现在nCRT前，pCR组的DDC值低于非pCR组。DDC值可被近似看作ADC值，但SEM模型的拟合度更佳，计算的DDC值更能准确地描述组织扩散^[39]。ZHU等^[40]研究显示在nCRT后α值均有不同程度的升高，且pCR组升高的幅度更大。这可能是因为达到pCR的患者由于肿瘤坏死，代之以纤维化，组成成分相对简单，因此α值更高。上述研究结果表明SEM模型可同时提供水分子扩散和组织异质性等方面的信息，并且SEM模型计算的参数可重复性良好，但未来的研究仍需要进一步证实SEM模型评估LARC患者对nCRT疗效的价值。

4 扩散峰度成像

       传统的DWI模型是基于水分子扩散符合高斯分布的假设，而在活体组织中，水分子的扩散由于受到细胞膜、细胞器等结构的限制表现为非高斯分布，扩散峰度成像（diffusion kurtosis imaging, DKI）是一种基于非高斯分布模型探查水分子扩散特性的技术，该技术引入了平均峰度（mean kurtosis, MK）和平均扩散率（mean diffusion, MD）来量化真实水分子扩散位移与理想的高斯分布水分子扩散间的偏离，进而来表示水分子扩散的受限程度以及扩散的不均质性^[41]。MD是校正后的表观扩散系数，没有非高斯偏差，反映了体素内水分子的平均扩散率；MK代表水分子在各个扩散梯度方向上的扩散峰度的平均值，是最具特征的DKI参数，其大小取决于组织微观结构的复杂程度，MK值越大，表示组织内水分子扩散的非高斯性越显著，即组织微观结构越复杂^{[42, 43]}。YANG等^[44]比较了DWI、IVIM模型和DKI模型评价LARC患者对nCRT疗效的价值，结果显示ADC值、灌注相关参数（D^*和f）和MD值均能准确地预测pCR患者，其中MD值的诊断效能最优，提示DKI模型能更准确地反映肿瘤组织内水分子的扩散运动。LI等^[45]基于肿瘤全容积的直方图分析，比较了DWI和DKI模型预测LARC患者对nCRT疗效的价值，结果显示和MK值、ADC值相比，MD值的诊断效能更好，且MD平均值（MDmean）的变化值[ΔMDmean%=（postMDmean-preMDmean）/preMDmean×100%]的诊断效能最好，可重复性最佳。BATES等^[46]研究显示MD值能在治疗前预测TRG分级，进而对患者进行危险分层。上述研究结果表明MD值可能是LARC患者nCRT治疗前疗效预测的潜在因子，在nCRT后，除了发生肿瘤细胞密度减低，细胞外间隙增大等变化以外，还存在液化坏死和纤维化等，此时水分子的扩散仍表现为非高斯分布，所以DKI更能相对真实地反映组织微环境的复杂性。但DKI扫描所需要的b值更高，这会导致图像信噪比（signal-to-noise ratio, SNR）降低，甚至高估MK值，并且上述研究纳入的样本相对较少，因此DKI预测LARC患者nCRT后疗效的价值有待进一步证实。

5 动态对比增强MRI

       动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）是一种用于评估微循环灌注及毛细血管通透性等状态的定量技术，通过定量分析对比剂在肿瘤血管内和血管外细胞外间隙（extravascular extracellular space, EES）的扩散分布，从而揭示肿瘤的血流动力学特征^{[47, 48]}。DCE-MRI常用的定量参数有容积转移常数（K^trans）、速率常数（Kep）、血管外细胞外容积分数（Ve）。K^trans表示对比剂从血浆转移到血管外细胞外间隙的速率，代表了微血管血流状态及其通透性；Kep表示对比剂由血管外细胞外间隙回流到血浆的灌注参数；Ve表示单位体积内EES所占的容积分数。

       CIOLINA等^[49]研究显示nCRT前K^trans值较高的患者更容易达到pCR，并认为Kep值和直肠癌的组织学分级呈负相关，证实了DCE-MRI预测肿瘤侵袭性和nCRT疗效的价值，可能的原因是K^trans值较高的组织其毛细血管灌注及血管通透性更佳，这有利于氧气及化疗药物的输送，使得肿瘤对放化疗更敏感；同时，肿瘤血管化程度和肿瘤的侵袭性密切相关，分化较好的肿瘤一般内部血管更加成熟，可以进行有效的物质交换，相反，分化较差的肿瘤往往血管生成较为复杂，导致局部灌注及氧供下降。ZOU等^[50]发现pCR组的K^trans值下降更明显，基于K^trans的纹理分析进一步指出二阶纹理特征中的相关性（correlation）预测pCR患者的诊断效能最佳，证实了DCE-MRI衍生参数预测pCR患者的价值。由于达到pCR的肿瘤主要表现为大量纤维化，毛细血管结构被破坏，因此K^trans值下降的更加明显，而纹理分析的优势在于可以获取肿瘤异质性相关的定量参数，从而揭示肿瘤内部的异质性。但YEO等^[51]发现DCE-MRI的直方图参数与nCRT的疗效无关，PHAM等^[52]在DWI基础上联合DCE-MRI预测LARC对nCRT的疗效，结果显示DCE-MRI并不能提高DWI识别pCR患者的诊断效能。上述研究结果表明DCE-MRI可通过定量分析微循环灌注水平来评估LARC患者nCRT的疗效，但肿瘤的血管生成较为复杂，并且K^trans值易受到血压、全身血流灌注等因素的影响^[53]，这使K^trans值的可重复性欠佳，并且使用对比剂有可能出现过敏反应以及一定程度的肾功能损害，这也部分限制了DCE-MRI的临床应用。

6 基于功能磁共振成像的人工智能预测模型

       随着人工智能（artificial intelligence, AI）在医学领域的发展及广泛应用，基于医学图像的人工智能模型在疾病诊断、预后评估及疗效预测等方面取得了巨大的进步^[54]。目前建模常用的算法包括了逻辑回归、随机森林、支持向量机、决策树、核方法及神经网络等，MRI作为直肠癌早期诊断和疗效评价的主要影像学手段之一，基于MRI的AI算法在直肠癌领域的应用也逐渐增多^[55]。

       ZHANG等^[56]基于T2WI和DKI图像，利用深度学习建模来预测pCR的LARC患者，提高了影像科医生制订决策的准确性。SHIN等^[57]基于T2WI和DWI图像，利用影像组学建模筛查pCR的LARC患者，模型的诊断效能优于影像科医生的诊断效能。在另一项研究中^[58]，作者基于多模态MRI影像数据比较了五种机器学习方法（决策树、随机森林、支持向量机、逻辑回归、自适应提升）建立的模型预测LARC患者对nCRT疗效的性能，结果显示支持向量机建立的模型诊断效能最优，证实了AI在帮助临床指导决策制订方面的潜力。上述研究表明了AI在识别pCR患者方面的价值，但目前大多数研究缺乏外部验证，模型的稳定性和泛化能力有待进一步提高，未来还需要多中心、大样本的研究来提高模型的临床价值。

7 总结与展望

       由于不同患者对nCRT的敏感性不同，达到pCR的患者或可免于手术，避免手术相关并发症，对nCRT抵抗的患者需及时调整治疗方案，所以及时识别pCR患者尤为重要。常规DWI通过单指数拟合可粗略反映水分子的扩散，而基于常规DWI的衍生序列则在一定程度上对DWI进行了补充和完善：IVIM解决了低b值下水分子扩散受到灌注的影响，DKI解决了高b值下水分子扩散不符合高斯分布的影响，SEM通过高b值拟合反映了组织的复杂程度。但DWI衍生序列的参数计算依赖于b值的选择，提高b值可以提高病灶的检出率，但也同时会降低图像的SNR，影响病灶的准确勾画；增加b值的数目可以提高模型的拟合性能，所测的参数可重复性更佳，但同时也延长了扫描时间，限制了其在临床中的应用，因此，未来的研究需要优化b值的选择。DCE-MRI通过定量分析对比剂在组织中的分布，间接反映了肿瘤组织的血管生成和灌注水平，亦可用于评价肿瘤侵袭性及预测肿瘤对治疗的反应。上述fMRI提供了组织中细胞密度、灌注水平及代谢状态等微观信息，有助于鉴别放疗导致的纤维化和残余的肿瘤细胞，可为评价肿瘤治疗疗效提供定量依据。但目前大多数研究属于回顾性研究，目前仍缺乏统一的成像标准和量化疗效的定量指标，未来的研究在提高病灶检出率的同时也要提高图像质量，规范扫描参数，这有利于精确地勾画病灶，所测得的定量参数也具备更好的可重复性。人工智能与fMRI的结合或许可提高上述模型的预测效能及稳定性，但未来仍需要大规模的、多中心性的、前瞻性的研究来泛化模型，提高模型的稳定性和可重复性。