0 引言

       直肠癌是全球发病率和死亡率均较高的消化道恶性肿瘤，2022年全球新发病例约93.4万例，死亡病例约34.9万例，中高收入国家50岁以下人群发病率年均增长2%~4%，呈现明显年轻化趋势^[1]。局部进展期直肠癌（locally advanced rectal cancer, LARC）患者的主流治疗方案为新辅助放化疗或全新辅助治疗联合全直肠系膜切除术（total mesorectal excision, TME），并辅以个体化辅助治疗^[2]。但仍有部分患者出现复发转移，预后差异与肿瘤生物学侵袭性及微观高危病理因素密切相关^[3]。神经周围浸润（perineural invasion, PNI）、脉管侵犯（lymphovascular invasion, LVI）和肿瘤出芽（tumor budding, TB）是直肠癌中具有代表性的“微观高危病理因素”，均与不良预后显著相关，可作为预后评估与治疗决策的重要参考^{[4, 5]}。但这类亚毫米尺度的微观侵袭行为依赖术后病理确诊，术前无创评估存在明显局限。

       磁共振成像（magnetic resonance imaging, MRI）是直肠癌术前评估和随访的常规影像学手段。功能MRI序列可为无创评估肿瘤微环境提供定量和半定量参数，突破了常规形态学评估的局限，但单一参数的敏感性及稳定性仍存不足。为此，影像组学、生境成像及深度学习等人工智能（artificial intelligence, AI）技术结合多模态影像的高通量特征挖掘能力，有望作为微观侵袭行为的影像替代标志物^[6]。既往研究已对MRI参数与高危病理因素的相关性进行了初步探索，但现有研究多聚焦单一指标或模态分析，相关综述亦侧重宏观分期、壁外血管侵犯（extramural vascular invasion, EMVI）等易评估指标，对微观高危病理因素的术前无创识别探讨较少^[7]；或局限于单一AI技术的应用，且多采用整体感兴趣区（region of interest, ROI）分析思路，对生境成像等新型空间异质性分析方法覆盖不足，缺乏对影像-病理关联机制的深入剖析。

       本综述从影像-病理关联机制出发，整合影像组学、生境成像与深度学习在微观高危病理因素术前预测中的研究进展，力求提供更为系统的研究视角。本文首先阐述PNI、LVI和TB的病理学概念及临床意义，继而从影像组学、生境成像及深度学习三个维度评述现有研究的模型构建策略与诊断效能，最后分析当前核心瓶颈并展望未来方向，以期为该领域的研究推进与临床转化提供参考。

1 直肠癌微观高危病理因素的病理学基础与影像学可视化机制

       PNI、LVI与TB是直肠癌微观侵袭表型的部分核心要素。尽管三者的病理表现各异，但其本质均源于肿瘤细胞对基质微环境的主动适应与侵袭行为，具有共同的生物学基础。这类微观改变虽难以直接肉眼识别，但可通过细胞密度、基质结构及微血管状态的变化，在MRI结构与功能成像上形成可量化的影像特征。

1.1 PNI

       PNI是指肿瘤细胞侵入神经周围间隙或神经鞘内，可表现为肿瘤细胞包绕或沿神经束浸润前行^[8]。在结直肠癌中，PNI的发生率约为10%~30%，与肿瘤局部复发、远处转移及较差的总体生存期（overall survival, OS）和无病生存期（disease-free survival, DFS）独立相关，其关键驱动机制之一为神经生长因子、胶质细胞源性神经营养因子等神经源性营养因子过表达^{[4, 8]}。从影像学角度，PNI虽为亚毫米尺度的病理事件，但其引发的微环境改变可在MRI上形成可检测的信号差异。肿瘤沿神经浸润引发的局部神经束增粗及周围促结缔组织增生反应，可在薄层轴位T2WI上表现为肿瘤边界不规则及瘤周毛刺样改变；PNI阳性肿瘤中更高的细胞密度与更致密的神经-肿瘤界面基质结构可导致水分子弥散受限，表现为低表观扩散系数（apparent diffusion coefficient, ADC）值降低^[9]。此外，PNI沿神经蔓延的特性使得瘤周区域的信号异质性具备潜在预测价值^[8]。上述多重微环境效应的叠加，为基于MRI的PNI术前无创评估提供了生物学可视化基础。

1.2 LVI

       LVI包括淋巴管侵犯和血管侵犯，病理上表现为淋巴管腔或血管腔内可见肿瘤细胞栓子，发生率约15%~35%，是淋巴结转移及远处转移的重要预测因子，与EMVI密切相关，其病理基础涉及血管内皮生长因子（vascular endothelial growth factor, VEGF）上调及血管内皮屏障功能破坏，导致肿瘤细胞获得进入脉管系统的能力^{[10, 11]}。相应病理改变在MRI上具有多维度的信号映射。在弥散层面，更高的细胞密度与血管周围基质致密化可导致ADC降低、平均峰度值（MK）升高^[12]。在形态学层面，EMVI可导致瘤周血管扩张伴管壁不规则及腔内信号异常，已被纳入MRI-EMVI评分体系^[13]，是LVI在常规MRI上最为直观的影像学表征。这些多层次的信号变化为LVI的术前影像学评估奠定了生物学基础。

1.3 TB

       TB是指在肿瘤浸润前沿可见单个肿瘤细胞或由≤4个肿瘤细胞组成的出芽灶。国际肿瘤出芽共识委员会（International Tumor Budding Consensus Conference, ITBCC）建立了Bd1~Bd3标准化三级评分体系，高级别TB（Bd3）与T分期进展、LVI/PNI共存及不良预后密切相关^[14]。TB被认为是上皮-间质转化（epithelial-mesenchymal transition, EMT）和肿瘤早期转移潜能的重要形态学表现，涉及E-cadherin表达下调、基质金属蛋白酶激活及细胞外基质降解^[5]。TB作为浸润前沿的微观病理事件，其单个出芽灶无法被MRI直接分辨，但高级别TB所伴随的整体微环境改变可在体素水平上产生累积效应。高级别TB意味着浸润前沿存在更广泛的EMT激活，肿瘤边界侵袭性更强，在T2WI上可表现为浸润前沿的毛刺状或锯齿状形态学改变；同时，更高的细胞密度可导致ADC值降低，EMT驱动的细胞形态学多样化则使扩散峰度成像（diffusion kurtosis imaging, DKI）中MK值升高^{[15, 16]}。值得关注的是，TB本质上反映浸润前沿的空间异质性，而生境成像通过多参数空间聚类可解析这一区域的微环境差异，与TB的病理定义具有天然的机制契合性^[17]。上述特征为TB的术前影像学间接识别提供了理论依据。

1.4 微观高危病理因素的相互关系与综合预后价值

       PNI、LVI和TB并非相互孤立的病理事件，而是在肿瘤侵袭-转移级联过程中可能共享部分生物学驱动机制的关联表型。三者在临床中高频共存且具有协同的不良预后价值^[18]。现有研究表明^[19]，随着微观高危病理因素数量的增加，患者的DFS显著下降，且与EMVI、肿瘤沉积等不良因素共存时，远处转移风险可能进一步升高。在美国临床肿瘤学会（American Society of Clinical Oncology, ASCO）指南更新中亦将高危病理特征纳入辅助治疗决策框架^[20]。

       综上，PNI、LVI及TB的术前精准预判对直肠癌个体化治疗至关重要，而目前三者均依赖术后病理，导致治疗决策滞后。在新辅助放化疗前若能预判PNI、LVI、TB状态，可动态调整治疗策略以提升病理完全缓解率与患者长期生存率，因此，实现PNI、LVI及TB的术前无创评估，已成为直肠癌精准诊疗中值得深入探索的重要方向。上述指标均属于微观病理改变，可通过引发肿瘤微环境的一系列继发改变，在多参数MRI上表现出可量化的影像特征，例如水分子弥散受限、微循环灌注异常、浸润区域形态改变及瘤周信号异质性等。这种病理–影像间的潜在关联，为基于MRI实现直肠癌微观高危病理因素的术前无创预测提供了一定的生物学依据。

2 基于影像组学的术前预测研究

       影像组学通过高通量定量特征提取，推动了直肠癌微观高危病理因素评估由主观判读向客观量化分析的转变^[21]。然而，其核心价值在于将MRI的时空异质性信息系统化地转化为可建模的量化变量。YANG等^[22]基于高分辨率MRI构建列线图预测术前PNI，其训练集和验证集曲线下面积（area under the curve, AUC）分别为0.81和0.75，该研究强调了特征融合的价值。但此类研究多依赖无生物学先验的高通量影像特征提取与单纯统计学筛选，所构建模型仅能挖掘影像与结局间的表面相关性，在揭示肿瘤病理生理机制方面存在固有局限，且多存在ROI勾画主观性强、特征筛选易过拟合、外部验证与泛化能力不足等问题。近年来，人们对参数间功能耦合关系的深化认识使得扩散及灌注相关特征逐渐成为研究重点，也为突破传统影像组学的瓶颈提供了有效路径。刘清祥等^[23]通过整合DKI与体素内不相干运动成像（intravoxel incoherent motionimaging, IVIM）定量参数构建可解释的机器学习模型预测直肠癌LVI，模型AUC达到0.887，并结合SHAP（Shapley additiveex planations）分析提升了临床可解释性，该研究创新性地将MK与IVIM中的灌注分数（f）进行联合建模，实现了肿瘤结构与灌注双维度的特征互补，二者共现升高可提示血管侵犯前的微环境激活，从功能机制层面弥补了上述局限。ZHANG等^[24]进一步通过融合多序列影像组学特征构建综合列线图预测PNI，测试集中AUC达到0.864，优于单一序列的模型，提示多序列融合可能具有优势，但其性能提升是源于生物学互补，还是特征维度增加带来的统计效应，仍有待进一步验证。更关键的是，当前相关研究多缺乏具备生物学合理性的融合规则，不同功能参数的病理意义与权重缺乏机制层面的界定^[25]，这仍是制约模型临床转化的核心瓶颈。

3 基于生境成像的术前预测研究

       传统影像组学虽通过多参数融合探索突破路径，但在特征融合的生物学合理性方面仍存不足。生境成像作为基于空间功能异质性的区域化分析策略，近年来逐渐受到关注。生境成像是指通过对功能MRI参数进行体素水平的空间聚类，在肿瘤内部识别出的具有相对均一扩散或灌注特征的生境亚区，其核心假设在于具有相似影像特征的生境亚区共享相近的肿瘤生物学行为，而不同亚区间的生物学差异可能与肿瘤侵袭和转移密切相关。这一假设构成了生境成像捕捉空间异质性分布病理特征的理论基础^[26]。不同生境亚区反映了肿瘤内部差异化的病理微环境状态：低ADC生境亚区在组织学上常对应高细胞密度、低间质比例的增殖活跃区域；高灌注生境亚区则多对应新生血管密度较高、微血管通透性增强的血管生成活跃区；而兼具高ADC与低灌注特征的亚区可能反映坏死或黏液变性区域。上述影像-病理空间对应关系已在胶质瘤^[27]、肝癌^[28]及肺癌^[29]等瘤种的术后全切标本组织学对照研究中得到验证。正是基于这种空间对应关系，生境成像将特征提取锚定于具有病理意义的空间单元，而非像传统整体或瘤周ROI策略那样将异质性肿瘤均质化处理、仅提取全局统计特征，因而在识别呈空间异质性分布的微观高危病理因素方面具有更强的空间分辨力与模型可解释性^[30]。在直肠癌微观高危病理因素的术前预测中，基于MRI的生境成像已显现出一定应用价值。ZHONG等^[31]采用T2WI与DWI图像经K-means聚类划分生境亚区，联合瘤内、瘤周及生境特征构建PNI预测模型，其融合模型在内外部验证中的AUC达0.882~0.880，优于单纯瘤内或瘤周特征模型，提示生境分析有助于精准识别与PNI相关的微结构异质性区域。在LVI及淋巴结转移预测方面，PENG等^[32]基于DKI参数聚类划分生境亚区，结合临床指标、常规影像组学与生境影像组学特征构建联合模型，对LVI及淋巴结转移均表现出较好预测效能，LVI测试集AUC为0.864，淋巴结转移测试集AUC达0.947；SHAP分析进一步提示，高MK生境亚区与微脉管侵袭、微结构紊乱密切相关，为揭示生境成像预测LVI的影像-病理关联机制提供了功能MRI依据。此外，SU等^[33]基于¹⁸F-FDG PET/CT生境分析构建肿瘤内异质性评分，实现了结直肠癌LVI的术前预测，验证集AUC为0.798。虽然成像模态不同，但该研究从方法学角度提示，生境分析可有效捕捉与LVI相关的空间异质性特征，其策略具有一定跨模态适用性，可为MRI多参数生境分析提供参考。

       综上，现有研究表明，生境成像能够从空间异质性层面识别与PNI、LVI密切相关的肿瘤亚区，为微观高危病理因素的无创评估提供了更具生物学指向的分析思路。目前，将生境成像直接用于TB术前预测的研究仍较缺乏，而TB以浸润前沿异质性为核心特征，与生境成像的分析逻辑具有较高契合度，有望成为后续研究的方向之一。然而，生境成像在直肠癌中的研究目前仍相对有限，且多聚焦于疗效评估^[34]，对微观高危病理因素的系统性研究尚显不足。其主要瓶颈包括：（1）生境分割缺乏标准化协议，聚类算法与聚类数量在不同研究中差异较大，且针对浸润前沿等关键区域尚无统一的生境界定标准，结果的可重复性受限；（2）尽管已有初步的组织学对照证据支持影像生境与病理微环境的空间对应关系，但这一映射关系总体上仍以经验性推导为主，跨瘤种、跨中心的系统验证不足，尚未形成标准化、可推广的循证框架^[35]。

4 基于深度学习的术前预测研究

       深度学习通过端到端自动特征学习，突破了传统影像组学对人工特征设计与手动ROI勾画的依赖，可自主挖掘肿瘤空间结构、浸润前沿及瘤周微环境的深层信息，更适配直肠癌微观高危病理因素识别，已成为直肠癌术前无创评估的重要技术方向^[36]。一项荟萃分析^[37]显示，深度学习模型整体效能略优于传统影像组学，但其性能增益的合理性仍需系统解析。

4.1 模型构建与技术实现要点

       模型输入形式与数据预处理策略，是保障深度学习稳定性与泛化能力的关键环节。在输入维度的选择上，二维（2-dimensional, 2D）模型结构简洁、运算高效，但在保留容积空间信息方面存在固有不足，对沿神经、脉管走行的侵袭特征识别存在局限；相较之下，三维（3-dimensional, 3D）模型有助于更充分地保留肿瘤的三维形态与空间侵袭特征，更契合微观高危病理因素的生物学表现^[38]。WAN等^[39]基于直肠MRI直接对比2D与3D卷积神经网络（convolutional neural network, CNN）模型，结果提示3D模型在捕捉肿瘤空间与容积特征方面更具优势。在此基础上，WANG等^[40]将3D DenseNet模型用于LVI预测，联合瘤周特征后验证集AUC达0.928，进一步提示3D架构在保留空间结构信息方面具有优势，有助于提升微观高危病理因素的预测效能。目前研究常以瘤内联合瘤周区域作为输入范围，瘤周扩展距离多设定为3~10 mm，其中5 mm和10 mm较为常见。预处理流程通常包括统一重采样、灰度归一化及多序列配准，以降低不同设备与扫描协议带来的影像异质性，提升模型鲁棒性^[41]。

       在网络架构方面，CNN与Transformer构成当前主流技术路线。CNN通过局部感受野逐层提取纹理与形态细节，Transformer则借助自注意力机制捕捉长距离空间依赖关系，二者融合可兼顾局部特征与全局关联^[42]。LIU等^[43]将多参数MRI与Transformer结合构建TB预测模型，外部测试集AUC达0.824，效能优于单一影像组学模型；JIA等^[44]采用注意力机制驱动的CrossFormer集成模型预测TB分级，内部与外部验证AUC分别为0.868和0.839，可在无需精细ROI勾画的条件下实现高效特征学习。同时，注意力机制与GradCAM（Gradient-weighted Class Activation Mapping）可视化被用于提升模型可解释性^[45]，多序列融合策略也由简单特征拼接逐步转向注意力驱动的跨模态融合，进一步挖掘不同序列间的互补价值^[46]。

       针对直肠癌微观高危病理因素预测中样本量有限、阳性率偏低及类别不均衡等现实问题，训练策略的优化需从监督范式、数据扩增、损失设计与标注效率等多维度协同推进。迁移学习是小样本场景下的重要解决方案，LIU等^[47]基于多模态深度迁移学习模型预测TB分级，双中心验证AUC分别达0.898和0.868，有助于减轻模型对大规模标注数据的依赖。此外，自监督预训练通过在无标注数据上学习通用特征表示，为进一步降低标注依赖提供了新的技术路径，已在医学影像任务中展现出潜力^[48]，但其在直肠癌微观高危病理因素预测中的应用尚处于探索阶段。在数据增强方面，空间域变换（如旋转、翻转、弹性变形）与强度域扰动是缓解小样本问题的常用策略^[49]。针对类别不均衡，FocalLoss与DiceLoss等损失函数设计可强化对少数类的学习^[50]，但当前文献对损失函数的选择与优化报告普遍不充分。训练过程辅以Dropout、权重衰减等正则化策略及自适应优化算法提升稳定性，ROI标注也逐步从手动勾画向半自动分割及弱监督框标注过渡，更贴近临床实际应用。

4.2 模型效能评估与方法学比较

       现阶段研究多以AUC作为核心评价指标，但对于微观高危病理因素这类不均衡分类任务，应同时关注灵敏度、特异度及F1值，避免单一指标带来的结果偏倚，通过多维度评价指标全面反映模型效能。相关综述研究指出，在医疗预测与医学影像分类任务中，仅依赖AUC等整体评价指标易忽视少数类识别能力，需结合灵敏度、特异度与F1值等指标开展综合评估，方可降低结果偏倚、客观反映模型真实效能^[51]。模型验证宜采用分层K折交叉验证联合多中心外部验证的范式，仅依靠内部验证往往难以克服影像异质性、易造成模型泛化能力高估，难以充分支撑临床转化应用^[52]。

       从现有研究趋势来看，模型性能的提升更多源于输入维度、建模范围与训练策略的合理搭配，而非单纯依赖网络结构的复杂化。在输入维度上，3D输入凭借空间信息保留优势，在直肠癌微观高危病理因素预测中效能更优。HOU等^[53]基于直肠MRI构建3D深度学习模型，充分利用肿瘤三维空间特征，其预测效能显著优于传统2D模型；在输入范围上，拓展建模区域可进一步挖掘微环境信息。联合瘤内与瘤周微环境特征建模有助于提升预测效能，LI等^[54]基于双中心数据构建多区域影像组学模型，联合模型AUC达0.976，显著高于单纯瘤内模型的0.892，提示瘤周特征可有效强化肿瘤沉积的术前预测能力。在特征融合策略上，精细化融合方式优于简单拼接。通过注意力融合模块整合多序列MRI特征，能有效抑制冗余、挖掘多序列互补价值。最后在监督范式上，弱监督学习能够在保证模型性能的前提下显著提升标注效率。MA等^[55]在非对比CT血管分割任务中提出基于高斯伪标签的弱监督框架，标注时间降低66.3%~82.0%且性能不劣于全监督模型，该策略的标注效率优势对直肠癌微观高危病理因素预测中同样存在的标注瓶颈具有借鉴价值。这直观体现了弱监督学习在减少全手动标注成本上的显著优势。

       综上，模型性能提升并非依赖网络结构的复杂堆叠，而更多取决于输入维度、输入范围、特征融合策略与监督范式的合理搭配。在缺乏生物学先验约束时，深度学习易捕获高维统计伪特征，其效能提升的临床意义需审慎解读，部分模型仅AUC数值改善，却与病理机制关联尚不明确，实际临床应用价值仍需验证。需要指出的是，现阶段深度学习在不同微观高危病理因素中的证据积累并不均衡。相较于LVI和TB已有若干深度学习研究，针对PNI的MRI深度学习预测研究仍明显不足；目前PNI相关证据仍以影像组学研究为主，生境成像仅见初步探索，因此关于深度学习在PNI预测中的优势与适用边界，仍需更多专门研究加以验证。

4.3 现存瓶颈

       目前深度学习在直肠癌微观高危病理因素预测中仍面临若干关键瓶颈：（1）影像-病理的精准空间配准标注耗时费力，全监督模型难以实现临床规模化应用^[43]；（2）多数研究为单中心回顾性设计，多中心前瞻性外部验证不足，模型泛化能力与临床适用性受限；（3）模型特征学习过程与肿瘤病理侵袭机制之间缺乏明确关联，临床可解释性与接受度仍待提升^[56]；（4）现有模型多针对单一高危因素构建，针对多项微观高危病理因素的联合预测研究相对匮乏，难以满足临床综合风险评估需求。

5 小结与展望

       综合现有研究，MRI联合影像组学、生境成像与深度学习在直肠癌微观高危病理因素的术前无创预测中已积累了一定证据基础，不同技术路径的预测效能、优势与不足可参见表1。PNI、LVI与TB的术前预测研究均取得一定进展，但不同AI技术路径的证据积累并不均衡。其中，PNI研究目前仍以影像组学为主，生境成像仅有初步探索，深度学习方向尚缺乏直接而系统的实证支持；LVI与TB则已有部分深度学习研究报道，但整体证据层级仍有待提升。相比之下，TB领域近年关注度明显增加，深度学习相关研究进展较快，但生境成像方法在该领域中的应用尚待拓展。从效能分布来看，现有模型的AUC集中于0.85~0.93区间，不同方法间的差异趋于收窄，提示仅依靠算法优化带来的性能提升可能已进入平台期。这也从侧面反映出当前领域发展的核心制约因素已不再局限于模型构建本身，数据质量、标准化程度与临床转化路径等关键问题更值得重点关注。

       从表1所呈现的证据全貌可以发现，上述研究进展仍存在的系统性瓶颈集中体现在以下四个层面：（1）弱信号特征与现有建模范式不匹配。直肠癌微观高危病理因素在常规MRI序列中多表现为弱信号、低对比度、弥漫性分布，信号改变细微且易受容积效应、部分容积效应及序列参数影响。现有模型多直接沿用针对宏观病变的建模范式，以全肿瘤或瘤区简单勾画为基础，未针对弱信号特点进行专门优化，导致模型敏感性与特异性受限，难以稳定捕捉细微病理改变。（2）现有模型多停留在统计关联层面，缺乏对影像特征对应的病理生理学基础的系统验证。影像特征与病理改变之间的对应关系、空间分布规律及信号改变来源尚不明确，多数特征缺乏明确病理指向性。同时，多序列、多参数信息未能实现基于病理机制的有效整合，模型泛化能力与可解释性受限。（3）MRI扫描参数、ROI勾画方式、生境分割策略、特征筛选流程及模型构建方案均缺乏统一标准，不同研究间难以直接比较与重复。多数模型仅完成单中心、回顾性验证，外部独立验证不足，模型稳定性与泛化能力缺乏系统评估。标注过程高度依赖人工操作，主观性强、可重复性低，进一步影响模型可靠性。同时，不同厂商设备、场强及图像重建策略所带来的域偏移问题，也进一步增加了模型跨中心迁移与推广应用的难度。（4）现有模型多以科研建模为目标，与临床实际需求结合不紧密。模型输出结果以单一预测概率为主，缺乏直观可视化呈现、分层风险提示及临床决策支持功能。同时，现有研究多采用单一因素独立建模策略，PNI、LVI与TB的病理共现性与交互效应几乎未被纳入统一建模框架，难以满足临床综合风险评估需求；模型构建、验证及应用流程未能与临床诊疗路径有效衔接，独立临床应用价值有限。此外，AI相关伦理规范、法规体系、责任边界及数据隐私保护机制尚不健全，临床准入标准与监管细则仍不完善，制约安全合规落地，难以真正融入术前个体化风险评估体系。

       针对上述瓶颈，以下四个研究方向或有助于推动该领域的深入发展：（1）开展多中心、大样本、前瞻性研究，建立覆盖图像采集、重建、分割、标注及建模流程的标准化体系，提升模型泛化性与可重复性；同时，应探索更适配弱信号和局灶性微观病理事件的建模策略，如聚焦浸润前沿、瘤周高风险区域及神经血管相关区域，并优化针对稀疏低信噪比特征的模型结构。（2）统一病理标注标准，通过双盲标注、多人复核及一致性检验降低标注偏差，并进一步开展机制导向的影像-病理空间配准研究，明确关键影像特征与PNI、LVI、TB等微观病理事件之间的对应基础。（3）强化模型可解释性研究，结合Grad-CAM、CAM及特征贡献分析等方法展示模型关注区域与决策依据，并将模型输出由单一预测概率转向可解释的风险分层与决策支持信息。（4）推动临床落地导向研究，探索同时预测PNI、LVI与TB的多任务学习框架，通过任务间特征共享与约束服务术前综合风险评估；同时在真实诊疗场景中开展盲法外部验证与临床效用评估，明确模型适用场景与边界，为其纳入术前个体化风险评估体系提供依据。

       综上，只有将技术创新与临床决策深度融合，构建“影像-病理-治疗”三位一体的风险分层体系，才能真正推动直肠癌微观高危病理因素的术前无创评估从科研探索走向临床常规应用，为精准诊疗提供切实可行的影像学支撑。

点击查看表格

表1  MRI联合人工智能技术预测直肠癌PNI、LVI、TB的效能对比
Tab. 1  Comparison of the efficacy of MRI combined with artificial intelligence technology in predicting PNI, LVI and TB in rectal cancer