0 引言

       结直肠癌是消化系统常见的恶性肿瘤之一^[1]，发病率居于全球常见肿瘤第三位^[2]。近二十年中国结直肠癌发病率呈现上升趋势，发病人群趋于年轻化^[3]。结直肠癌中约1/3为直肠癌，直肠癌局部复发率高且预后差，5年生存率约64.7%，严重威胁国民健康^{[3, 4]}。

       直肠癌转移以淋巴转移为主，淋巴结转移是决定直肠癌预后的重要因素^[4]。美国国立综合癌症网络（National Comprehensive Cancer Network, NCCN）直肠癌指南明确指出，若治疗前存在淋巴结转移，均推荐进行新辅助放化疗（neoadjuvant chemoradiotherapy, nCRT）^[5]。对于局部进展期直肠癌（local advanced rectal cancer, LARC），若nCRT后仍存在转移淋巴结，则需延长nCRT时间或调整nCRT方案^[5]。目前，评估直肠癌淋巴结转移主要依赖MRI^[6]。高分辨MRI作为NCCN指南推荐的常规检查项目，具有良好的软组织分辨力，能清晰显示淋巴结^{[5, 7]}。但高分辨MRI诊断转移淋巴结的短径界值存在争议^{[4, 8]}，且直肠癌约50%转移淋巴结短径小于5 mm^[9]，形态学征象的人为判读主观性强，因而基于高分辨MRI评价淋巴结转移难度大、结果难以完全统一^[4]。由于转移淋巴结的病理生理改变早于形态改变，功能MRI被逐步应用于评价直肠癌淋巴结转移，主要包括弥散加权成像（diffusion-weighted imaging, DWI）、体素内不相干运动MRI（intravoxel incoherent motion MRI, IVIM-MRI）及动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）^[10]。但良恶性淋巴结表观弥散系数（apparent diffusion coefficient, ADC）存在重叠，IVIM-MRI部分定量参数的可重复性较低，DCE-MRI扫描时间长、需静脉团注钆剂，目前仅应用于科研^[10]。

       基于高分辨MRI评价直肠癌淋巴结转移的主观性较强，功能MRI的临床应用价值有限，因而亟需一种客观、高效且便捷的技术，辅以评估淋巴结转移，故人工智能（artificial intelligence, AI）引起学界的研究兴趣。AI不仅能够自动识别多种模式的医学图像，还能提取医学图像的定量特征进行挖掘，已被广泛应用于医学研究^[11]。医学研究中应用的AI技术主要是机器学习，机器学习包括影像组学和深度学习两种方法^[12]。影像组学通过高通量提取医学图像的定量特征，将图像转换为高维数据，采用传统统计学方法进行分析，筛选关键特征构建预测模型，辅以临床决策^{[13, 14]}。影像组学具有良好的特征可解释性，且模型的参数较少，因而在小数据集效能更优，但在大数据集则较为逊色^[12]。深度学习则在大数据集展示出优越性能，其中卷积神经网络（convolutional neural network, CNN）在医学影像研究中的应用尤为关键^{[15, 16]}。CNN由卷积层、池化层、线性整流层及全连接层构成，是一种“端到端”的学习模型，经过训练即可自动识别并提取图像的深度特征，实现任务的分割及分类^{[17, 18]}。但由于CNN具有大量隐藏层，模型的可解释性较影像组学低^[12]。AI在直肠癌MRI研究中的成果丰硕^{[12, 19]}，提示AI不仅能够有效规避人为判读的主观性，还能深度挖掘肉眼无法识别的定量特征，且AI模型运行耗时短、效率高，为评估直肠癌淋巴结转移提供了新途径。但直肠癌淋巴结MRI的AI研究多为回顾性、数据集规模不一、模型效能参差，尚存在一定局限。本综述将分别叙述基于MRI的AI评估直肠癌治疗前、nCRT后淋巴结转移的研究现状，并进行小结与展望，为后续前瞻性、多中心、大数据研究提供参考。

1 基于MRI的人工智能评估直肠癌治疗前淋巴结转移

       直肠的壁外淋巴管伴随直肠上、中、下动脉走行，因此，直肠淋巴引流包括上方引流、侧方引流、下方引流共三个途径，以上方引流为主^[20]。直肠癌淋巴结转移遵循直肠淋巴引流途径进行，NCCN指南将区域淋巴结（regional lymph node, RLN）定义为直肠系膜内、直肠上及肠系膜下动脉旁、闭孔及髂内动脉旁淋巴结，根据RLN转移数目进行N分期评价^[5]。侧方淋巴结（lateral lymph node, LLN）则包括闭孔及髂内动脉旁、髂外动脉旁、髂总动脉旁淋巴结，其中髂外和髂总动脉旁淋巴结转移属于NCCN指南“远处转移”范畴，不同国家间LLN转移的治疗方案差异较大^{[5, 21, 22]}。治疗前精准评估直肠癌不同引流区淋巴结转移，不仅是制订个体化治疗方案的关键，还是影像学研究的热点。评估直肠癌治疗前淋巴结转移的AI研究仅纳入未经nCRT直接行全直肠系膜切除术（total mesorectal excision, TME）的病例，本部分内容将分别阐述基于MRI的AI评估治疗前直肠癌RLN和LLN转移的研究进展。

1.1 基于MRI的人工智能评估直肠癌治疗前区域淋巴结转移

       近年来，利用AI评估直肠癌治疗前RLN的研究，基于治疗前MRI，经历了单序列到多序列、单感兴趣区到多感兴趣区、单影像特征到多影像特征与临床特征相结合、单中心到多中心的逐步发展过程。近年来国内外部分研究的主要内容如表1所示。

       不同于大部分回顾性研究，ZHUANG等^[37]设计前瞻性研究，进行淋巴结影像-病理“结-结”匹配，以各枚淋巴结病理结果作为分类“金标准”，分割淋巴结提取影像特征，构建精准诊断模型，但研究数据集小、匹配淋巴结数量少，模型的准确率仅为64.7%。在淋巴结自动检出方面，深度学习表现出优越性能。ZHAO等^[27]利用Mask区域CNN构建淋巴结自动检出模型，模型识别和分割直肠癌MRI淋巴结仅需1.3秒/例，临床转化应用价值极为可观。在大数据集中的淋巴结分类方面，深度学习也展现出独特优势。由于大宗病例的回顾性研究难以完成逐枚淋巴结影像-病理匹配，XIA等^[39]收集3个中心共1014例直肠癌病例，尝试以病理N分期作为分类标准，基于弱监督学习构建诊断淋巴结转移的AI模型WISDOM，并利用治疗前淋巴结轴位T2WI和ADC图训练WISDOM。针对单一病例淋巴结转移与否的二分类问题，WISDOM的AUC为0.81，诊断特异度超过80%，但敏感度较低，为70.2%，WISDOM判断转移淋巴结个数的平均绝对误差为1.049。针对单一病例淋巴结N分期（N0期、N1期、N2期）的三分类问题，WISDOM的总体一致性指数为0.765，模型诊断N0期的准确率约80%，而诊断N1期及N2期的准确性则较低，提示AI解决二分类问题效能较好，而三分类问题对于AI而言仍充满挑战。

       本部分研究以回顾性为主，均纳入未经nCRT直接行TME病例的术前MRI，主要利用影像组学技术，解决淋巴结转移与否的二分类问题。虽然模型的受试者工作特征（receiver operating characteristic, ROC）曲线下面积（area under the curve, AUC）为0.740~0.986，诊断效能为中等至优良，但大多数研究数据集较小，且仅来源于单中心，缺乏外部验证集，模型的泛化能力尚有待考量。多序列、多感兴趣区影像特征联合临床特征虽有助于提升模型效能，但各研究多感兴趣区分割方案尚未统一。功能MRI对于效能提升亦有所助益，然而，大多数研究仅应用DWI，而对于IVIM-MRI、DCE-MRI所蕴含的活体生物学信息挖掘程度低，未能充分利用功能MRI的特征。未来尚需更多研究规范感兴趣区分割和进一步探索功能MRI的价值。

点击查看表格

表1  直肠癌治疗前区域淋巴结转移MRI人工智能研究的主要内容
Tab. 1  Main contents of MRI artificial intelligence research on regional lymph node metastasis in rectal cancer before treatment

1.2 基于MRI的人工智能评估直肠癌治疗前侧方淋巴结转移

       低位LARC发生LLN转移的概率约为16%~23%^[40]，存在LLN转移的LARC预后差、局部复发率高^{[41, 42]}。不同国家间LLN转移的治疗方案差异较大^{[5, 21, 22]}。NCCN指南将“nCRT+TME”作为存在LLN转移的标准治疗方案^[5]，然而在日本，TME联合LLN清扫是低位LARC的标准术式^[43]。但LLN清扫可能会导致手术时间延长、术中出血量增加、因术中神经损伤所致泌尿生殖功能障碍的风险增大^{[40, 44]}。故中国直肠癌专家共识建议，对于可疑存在LLN转移的LARC进行选择性LLN清扫^[21]。因此，治疗前准确评估LLN转移，对于制订个体化治疗策略尤为关键。

       不同于RLN的AI研究大多分割肿瘤提取特征，LLN的AI研究则以分割LLN提取特征为主。YAN等^[45]提取LLN轴位T2WI特征，联合临床指标，构建预测LLN转移模型的AUC为0.843。ZHAO等^[40]筛选LLN和全肿瘤的轴位T2WI特征，结合临床危险因素，所构建诺模图的AUC为0.891，表明加入肿瘤特征有助于提升模型效能，提示多感兴趣区影像组学可作为LLN转移研究的一个切入点。YANG等^[46]综合利用LLN和肿瘤的轴位T2WI和电子计算机断层扫描（computed tomography, CT）特征建模预测LLN转移，模型的AUC为0.957，决策曲线分析显示模型的预测效能高，提示多模态影像组学可作为LLN转移研究的又一切入点。

       因LLN转移的病例相对RLN转移少，故数据集小是AI评估LLN转移研究的主要局限，模型的效能也需要更多数据进行验证。未来联合多中心建立LLN转移病例数据库，结合多模态影像资料，包括MRI、CT、超声等，利用AI技术探索LLN转移预测方法，或可提高模型的预测效能和泛化能力。

2 基于MRI的人工智能预测直肠癌新辅助治疗后淋巴结转移

       LARC的nCRT疗效决定后续治疗方式，nCRT后达到临床完全缓解的患者可接受局部切除手术或实施“观察-等待”方案，有望保留肛门，提高生活质量^[47]。目前，LARC基于MRI的AI研究主要关注nCRT后肿瘤是否完全消退，而预测nCRT后淋巴结转移的AI研究则相对较少^[12]。nCRT后肿瘤完全消退但仍存在淋巴结转移的LARC局部复发率高、预后差^[48]，需要延长nCRT时间或改变治疗方案^[5]。依据nCRT后淋巴结MRI形态学征象诊断转移的敏感度为67%~88%，特异度为63%~95%，由于放疗导致淋巴结MRI形态学改变，诊断小淋巴结转移的难度增大，尤其是直径小于3 mm的淋巴结^[49]。AI为评估LARC患者nCRT后淋巴结转移提供了新契机，nCRT前后的MRI均可被用于挖掘特征，构建淋巴结转移的辅助预测模型。

       ZHOU等^[50]基于LARC患者nCRT前多参数MRI，包括轴位T1WI、T2WI、增强T1WI、ADC图，分割全肿瘤提取特征，联合nCRT后基于MRI的T分期、N分期，构建预测nCRT后淋巴结转移的诺模图，模型在验证集中的AUC为0.818，阴性预测值（negative predictive value, NPV）为93.7%，提示基于多序列的AI有助于评估nCRT后淋巴结转移。FANG等^[49]基于nCRT前后轴位T2WI、ADC图，提取全肿瘤特征，并计算nCRT前后肿瘤的特征差异Delta，联合临床特征与肿瘤的Delta-ADC特征及nCRT后的T2WI特征建模，模型预测nCRT后淋巴结转移的AUC为0.913，提示nCRT前后肿瘤的特征差异更具研究潜能。

       此外，分割LARC淋巴结进行AI研究同样值得研究者予以重视。ZHANG等^[51]联合nCRT前淋巴结轴位T2WI组学特征及MRI形态学征象，构建预测nCRT后淋巴结转移的诺模图，模型的AUC为0.925。ZHU等^[52]基于nCRT前后轴位T2WI，共提取412个淋巴结特征及82个肿瘤特征，从中分别各筛选出7个特征建模，预测nCRT后淋巴结转移，基于淋巴结特征所建模型的AUC为0.818，而基于肿瘤特征所建模型的AUC仅为0.517。这两项研究均提示淋巴结的特征更具有深入研究的价值。

       在本部分预测直肠癌nCRT后淋巴结转移的AI研究中，若只应用nCRT前MRI进行图像分割和特征提取，则无法避免个体差异，nCRT前后的特征差异更具研究价值。但由于nCRT后肿瘤退缩及纤维化，手动勾画nCRT后残余肿瘤的难度较大。除去肿瘤和淋巴结，本部分研究对于瘤周系膜的关注度较低，未来的研究或可尝试挖掘nCRT前后瘤周系膜的MRI特征辅以建模。

3 小结与展望

       直肠癌淋巴结转移决定治疗策略和疾病预后。高分辨MRI淋巴结恶性形态征象人为判读的主观性强，而功能MRI的临床应用价值有限。基于MRI的AI为预测直肠癌淋巴结转移提供了新途径，预测治疗前及nCRT后淋巴结转移的AI模型效能良好，淋巴结自动检出AI模型耗时短、效率高。虽然AI的优势可圈可点，但机遇与挑战并存。首先，基于MRI的直肠癌淋巴结转移AI研究大多为回顾性、单中心、小数据集研究，模型泛化能力有待验证。其次，不同研究间MRI扫描参数存在差异，感兴趣区分割方法并不统一，模型的稳定性有待考究。若希望将AI真正应用于临床直肠癌淋巴结转移评估，未来研究需要多中心通力合作，建立直肠癌MRI公共数据库，对来自不同中心的MRI数据进行清洗和标准化，保护患者隐私数据，并制定感兴趣区分割共识，对数据库中的MRI进行统一标注，为训练AI模型提供高质量的大数据集。同时，还需设计前瞻性研究，对AI模型的效能进行验证。

       综上所述，AI作为评估直肠癌淋巴结转移的辅助工具，能够减轻影像医师日常工作负担，协助医师进行诊断。未来研究需要联合多中心建立大规模、高质量直肠癌MRI数据库，优化机器学习算法，改进AI模型性能，最终完成AI模型的临床转化，辅助医生评估直肠癌淋巴结转移，制订个体化治疗策略，使更多患者获益。