基于MRI的人工智能在直腸癌中的應(yīng)用進(jìn)展

朱鈺，歐陽(yáng)治強(qiáng)，單海燕，楊露，褚吉祥，廖承德，柯騰飛，楊軍*

0 前言

結(jié)直腸癌是消化系統(tǒng)常見(jiàn)的惡性腫瘤，直腸癌（rectal cancer, RC）約占35%[1]。由于MRI 具有軟組織分辨率高，無(wú)電離輻射等優(yōu)勢(shì)，其在RC 治療前分期和治療后評(píng)估中起著舉足輕重的作用，能對(duì)腫瘤形態(tài)及位置、腫瘤分期、淋巴結(jié)、壁外血管侵犯（extramural vascular invasion, EMVI）、直腸系膜筋膜受累等細(xì)節(jié)進(jìn)行準(zhǔn)確評(píng)估[2-4]。準(zhǔn)確的MRI 評(píng)估對(duì)RC 患者至關(guān)重要，然而，MRI 圖像結(jié)果的判讀常受到醫(yī)生診斷經(jīng)驗(yàn)、業(yè)務(wù)水平和工作強(qiáng)度的影響，目前，常規(guī)MRI 形態(tài)學(xué)特征評(píng)價(jià)RC 病情的準(zhǔn)確性仍然不足以準(zhǔn)確指導(dǎo)制訂治療方案，有待進(jìn)一步提升。因此，開(kāi)發(fā)一種新型有效的圖像挖掘方法從而實(shí)現(xiàn)準(zhǔn)確診療仍然是RC領(lǐng)域所面臨的一個(gè)挑戰(zhàn)。

人工智能（artificial intelligence, AI）已在醫(yī)學(xué)圖像分析領(lǐng)域得到了頻繁成功的應(yīng)用[5-6]，其能夠定量評(píng)估影像學(xué)特征并自動(dòng)識(shí)別成像數(shù)據(jù)中的復(fù)雜模式[7]。機(jī)器學(xué)習(xí)（machine learning, ML）是AI的一個(gè)重要分支，在算法應(yīng)用方面，主要使用人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和核方法等[8]。隨著科學(xué)技術(shù)的飛速發(fā)展，以ML為核心的AI在RC中的應(yīng)用也逐漸增多。為了幫助讀者更全面地了解當(dāng)前基于MRI 的AI在RC 中的臨床應(yīng)用并為將來(lái)的研究提供一定參考，本文從多個(gè)重要方面進(jìn)行了綜述。

1 基于MRI的AI在病灶分割中的應(yīng)用

基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）的深度學(xué)習(xí)（deep learning, DL）方法可以從訓(xùn)練數(shù)據(jù)中自動(dòng)進(jìn)行特征學(xué)習(xí)[9]，并已應(yīng)用于醫(yī)學(xué)圖像分割。近年來(lái)，DL 算法在分割病灶方面受到了廣泛關(guān)注并得到了令人印象深刻的結(jié)果。手動(dòng)分割病灶是一個(gè)既耗時(shí)又主觀的過(guò)程，限制了其在臨床實(shí)踐中的實(shí)用性。然而，基于DL 的腫瘤分割算法比手動(dòng)分割更客觀高效，并減輕了工作負(fù)擔(dān)。TREBESCHI 等[9]在訓(xùn)練集中基于T2WI 和擴(kuò)散加權(quán)成像（diffusion-weighted imaging, DWI）的 多 參 數(shù)MRI 訓(xùn)練CNN 用于分割RC，在獨(dú)立驗(yàn)證集上，CNN 對(duì)讀者1和讀者2的骰子相似度系數(shù)分別為0.68和0.70，顯示出很高的分割精度，證明了DL 在RC 中進(jìn)行準(zhǔn)確分割的潛力。U-Net 作為一種較受歡迎和成功的生物醫(yī)學(xué)圖像分割DL 模型，已被證明在生物醫(yī)學(xué)圖像分割中是有效的[10]。WANG 等[11]使用2D U-Net 算法在T2WI 上對(duì)直腸腫瘤進(jìn)行分割，并計(jì)算了骰子相似度系數(shù)、杰卡德相似系數(shù)、豪斯多夫距離、平均表面距離四個(gè)指數(shù)來(lái)評(píng)估自動(dòng)和手動(dòng)分割的相似性；AI 模型的四個(gè)指標(biāo)分別為（0.74±0.14）、（0.60±0.16）、（20.44±13.35）和（3.25±1.69）mm；放射科醫(yī)生的這 些 指 數(shù) 分 別 為（0.71±0.13）、（0.57±0.15）、（14.91±7.62）和（2.67±1.46）mm，表明自動(dòng)分割和手動(dòng)分割之間沒(méi)有觀察到顯著差異。KNUTH 等[12]收集了來(lái)自不同醫(yī)院的兩組RC 患者（C1 和C2），同樣利用2D U-Net 架構(gòu)在T2WI 和DWI 上進(jìn)行RC 分割；對(duì)于C1 隊(duì)列，在測(cè)試集中T2WI 模型的中位骰子相似度系數(shù)為0.77，研究發(fā)現(xiàn)加入DWI并沒(méi)有進(jìn)一步提高模型性能（骰子相似度系數(shù)=0.76）；基于T2WI 的模型在C1 上訓(xùn)練并應(yīng)用于C2 的骰子相似度系數(shù)為0.59。由于傳統(tǒng)U-Net 網(wǎng)絡(luò)會(huì)導(dǎo)致輪廓分割的模糊性，LI等[13]提出了一種基于輪廓預(yù)測(cè)的改進(jìn)U-Net 模型用于RC 分割，并在測(cè)試集上實(shí)現(xiàn)了0.894（語(yǔ)義分割的評(píng)價(jià)指標(biāo)MIoU）的平均交集。由于二維分割精度有限，為進(jìn)一步提高分割精度，ZABIHOLLAHY 等[14]提出了一種3D U-Net 和3D 密集U-Net 架構(gòu)在T2WI 上來(lái)分割RC，結(jié)果表明所開(kāi)發(fā)的方法準(zhǔn)確、快速且可重現(xiàn)，并且明顯優(yōu)于其他先進(jìn)的分割方法。SUI 等[15]提出了一種新的遷移學(xué)習(xí)協(xié)議——基于變換器模型的RC 檢測(cè)和分割任務(wù)的聯(lián)合框架，這種協(xié)議可有效地實(shí)現(xiàn)腫瘤區(qū)域聯(lián)合檢測(cè)及分割。

以上研究初步提示基于MRI的AI在分割RC病灶方面取得了良好的結(jié)果，具有較好的臨床應(yīng)用前景。盡管MRI能更清楚地反映直腸結(jié)構(gòu)和腫瘤位置，但由于直腸是蠕動(dòng)的管狀結(jié)構(gòu)，在準(zhǔn)確分割方面也存在一些挑戰(zhàn)。在應(yīng)用前，仍需進(jìn)一步驗(yàn)證，如果驗(yàn)證結(jié)果可靠，分割效率低、受主觀因素影響大的現(xiàn)狀勢(shì)必得到改善。未來(lái)開(kāi)發(fā)一個(gè)通用模型用于在多個(gè)序列上而不僅在單個(gè)序列上分割目標(biāo)區(qū)域從而簡(jiǎn)化分割過(guò)程并節(jié)省時(shí)間也許是非常有意義的。

2 基于MRI的AI在RC T分期中的應(yīng)用

術(shù)前準(zhǔn)確評(píng)估RC T分期是臨床診療決策中的關(guān)鍵步驟，其中早期RC（T1-2 和N-）的最佳治療方法是全直腸系膜切除術(shù)（total mesorectal excision,TME），而局部晚期RC（T3-4和/或N+）的治療策略是新輔助放化療（neoadjuvant chemoradiotherapy, nCRT）后行TME[16-17]。MRI被認(rèn)為是評(píng)估T分期的首選方法[2]。然而，目前T分期的診斷很大程度上依賴于影像醫(yī)生的經(jīng)驗(yàn)，這可能會(huì)導(dǎo)致分期準(zhǔn)確率降低。近年來(lái)，基于MRI的AI已作為新的方法被用于評(píng)估T分期，且目前大多數(shù)研究都集中在區(qū)分T1/T2 和T3/T4 的二分類問(wèn)題上。

LU 等[18]基于T2WI 勾畫最?。[瘤）和最大（腫瘤和腫瘤周圍的模糊區(qū)域）ROI 建立了2 個(gè)影像組學(xué)模型，以區(qū)分T1/T2和T3/T4。在驗(yàn)證集中，最小和最大描繪模型的AUC 分別為0.808 和0.903，均表現(xiàn)出了良好的預(yù)測(cè)性能，且最大描繪方法在臨床上更有益。而YOU 等[19]基于154 名患者的高分辨率T2WI 和ADC圖，使用支持向量機(jī)模型區(qū)分T1/T2和T3/T4，在驗(yàn)證隊(duì)列中，高分辨率T2WI、ADC 圖和組合模型的AUC 分別為0.845、0.881 和0.910，且兩個(gè)序列聯(lián)合應(yīng)用有助于提高RC 術(shù)前診斷的準(zhǔn)確性。此外，DL 也被用于T 分期評(píng)估。WU 等[20]使用Faster R-CNN 來(lái)構(gòu)建RC T分期自動(dòng)診斷平臺(tái)，結(jié)果表明該模型可能是預(yù)測(cè)RC T 分期有效且客觀的方法。最新一項(xiàng)研究表明，與基于高分辨T2 的AI 模型和放射科專家的視覺(jué)評(píng)估相比，基于DL 的3D 超分辨率MRI 影像組學(xué)模型在預(yù)測(cè)術(shù)前T分期方面具有更優(yōu)越的性能[21]。

從上述幾項(xiàng)研究不難看出，基于不同ROI和不同MRI 序列的AI 在評(píng)估RC 患者T 分期方面表現(xiàn)出了較好的性能，有望成為RC 術(shù)前T 分期的重要手段之一。然而，這幾項(xiàng)研究ROI 都是手動(dòng)勾畫的，這更大程度上取決于影像醫(yī)生的個(gè)人經(jīng)驗(yàn)和感知，難以避免主觀錯(cuò)誤；其次，大部分研究都基于T2WI 序列，而其他常規(guī)序列，如DWI 和增強(qiáng)對(duì)于評(píng)估T 分期的準(zhǔn)確性尚不清楚，有待進(jìn)一步研究。

3 基于MRI的AI在診斷淋巴結(jié)轉(zhuǎn)移中的應(yīng)用

淋巴結(jié)轉(zhuǎn)移是RC 患者最常見(jiàn)的轉(zhuǎn)移途徑，增加了患者局部復(fù)發(fā)的風(fēng)險(xiǎn)。根據(jù)NCCN 指南，RC 患者治療方法的制訂取決于對(duì)盆腔淋巴結(jié)轉(zhuǎn)移情況的預(yù)判，即先行nCRT 再行手術(shù)，還是手術(shù)后行輔助治療[17]。臨床上，利用MRI 對(duì)轉(zhuǎn)移性淋巴結(jié)的診斷主要基于形態(tài)學(xué)指標(biāo)，如淋巴結(jié)形狀、大小和信號(hào)強(qiáng)度[22]，然而，形態(tài)學(xué)指標(biāo)在提高淋巴結(jié)分期的準(zhǔn)確性方面仍然有限[23]，且不同經(jīng)驗(yàn)的放射科醫(yī)生在診斷轉(zhuǎn)移性淋巴結(jié)方面存在較大差異，從而導(dǎo)致總體診斷準(zhǔn)確度不高。因此，對(duì)淋巴結(jié)受累情況進(jìn)行全面、準(zhǔn)確的評(píng)估對(duì)RC 的臨床分期、選擇治療策略和改善預(yù)后至關(guān)重要。

深度遷移學(xué)習(xí)是一種AI方法，用于對(duì)網(wǎng)絡(luò)的大型公共成像數(shù)據(jù)庫(kù)進(jìn)行預(yù)訓(xùn)練，并提取邊緣、紋理和灰度等特征[24]，適用于醫(yī)學(xué)圖像分析，尤其是小樣本分析。ZHAO等[25]通過(guò)遷移學(xué)習(xí)為DL框架Mask R-CNN提供輸入，開(kāi)發(fā)和驗(yàn)證了基于多參數(shù)MRI的全自動(dòng)淋巴結(jié)檢測(cè)和分割模型。結(jié)果顯示模型檢測(cè)和分割所需的時(shí)間為1.3 s/例，明顯短于放射科醫(yī)生的200 s/例；對(duì)于淋巴結(jié)分割，模型骰子相似度系數(shù)在0.81～0.82范圍內(nèi)。LI 等[26]使用預(yù)訓(xùn)練的DL 模型（Inception-v3）識(shí)別和檢測(cè)淋巴結(jié)狀態(tài)，陽(yáng)性預(yù)測(cè)值、陰性預(yù)測(cè)值、敏感度和特異度分別為0.952、0.953、95.3%和95.2%，AUC和準(zhǔn)確率分別為0.994 和0.957，表現(xiàn)均優(yōu)于放射科醫(yī)生。LIU 等[27]基于臨床因素和單、多因素影像組學(xué)特征建立了五個(gè)支持向量機(jī)分類模型，以預(yù)測(cè)RC 中的淋巴結(jié)轉(zhuǎn)移；結(jié)合臨床和多因素影像組學(xué)特征的模型具有更好的分類性能和診斷準(zhǔn)確性（AUC=0.832）。此外，術(shù)前準(zhǔn)確診斷下段RC 側(cè)方淋巴結(jié)轉(zhuǎn)移對(duì)于需要行側(cè)方LN 清掃的患者非常重要。KASAI等[28]利用ML 創(chuàng)建了一個(gè)側(cè)方淋巴結(jié)轉(zhuǎn)移預(yù)測(cè)模型，該模型驗(yàn)證隊(duì)列AUC 為0.903，預(yù)測(cè)能力明顯高于傳統(tǒng)方法（AUC=0.754），有助于指導(dǎo)臨床是否需要進(jìn)行側(cè)方淋巴結(jié)清掃。

基于MRI的AI可以幫助快速檢測(cè)和分割淋巴結(jié)，提高臨床效率，并較大限度地減少不同年資放射科醫(yī)生之間的差異，為淋巴結(jié)預(yù)測(cè)提供更多有價(jià)值的信息。

4 基于MRI 的AI 在預(yù)測(cè)新輔助治療后病理完全緩解中的應(yīng)用

在全球每年被診斷為RC 的患者中約70%為局部進(jìn)展期RC（locally advanced RC, LARC）[29]。目前對(duì)于LARC 的標(biāo)準(zhǔn)治療方法是nCRT 后行全直腸系膜切除術(shù)[17]。然而，在臨床實(shí)踐中，從無(wú)腫瘤消退到病理完全緩解（pathologic complete response, pCR），個(gè)體對(duì)nCRT的反應(yīng)是高度異質(zhì)性的。先前的研究表明約10%～25%的RC 患者在nCRT 后出現(xiàn)pCR[30]。對(duì)于pCR 患者，可實(shí)施“等待和觀察”策略，并行嚴(yán)密的定期監(jiān)測(cè)[31]，從而避免手術(shù)并發(fā)癥、永久性造口等問(wèn)題。然而，目前只能通過(guò)術(shù)后組織病理評(píng)估來(lái)確認(rèn)pCR，因此，迫切需要在術(shù)前無(wú)創(chuàng)地準(zhǔn)確預(yù)測(cè)pCR，以確定器官保存策略的患者。盡管常規(guī)MRI 是nCRT 反應(yīng)評(píng)估的首選方式，但因MRI 評(píng)估nCRT 反應(yīng)的共識(shí)相對(duì)缺乏[32]，pCR 的視覺(jué)評(píng)估仍然具有挑戰(zhàn)性。近年來(lái)，基于MRI 的影像組學(xué)和DL 的發(fā)展為評(píng)估pCR 創(chuàng)造了新的工具。

與單指數(shù)DWI相比，擴(kuò)散峰度成像可產(chǎn)生更多關(guān)于組織結(jié)構(gòu)的信息。由此，ZHANG 等[33]首次提出基于T2WI 和擴(kuò)散峰度圖像的DL 模型來(lái)預(yù)測(cè)pCR，研究結(jié)果表明，訓(xùn)練集的AUC 為0.99。國(guó)內(nèi)學(xué)者[34]僅基于T2WI 圖像，建立了DL 模型來(lái)預(yù)測(cè)pCR，模型的AUC、敏感度、特異度、陽(yáng)性預(yù)測(cè)值、陰性預(yù)測(cè)值和準(zhǔn)確度分別為0.76、30%、96%、0.67、0.87和85%。近期，來(lái)自日本的學(xué)者也得出了相類似的結(jié)論[35]。CHEN等[36]基于極端梯度提升算法（eXtreme Gradient Boosting, XGBoost）的ML 算法預(yù)測(cè)pCR，并將AI 模型與傳統(tǒng)列線圖模型進(jìn)行比較，發(fā)現(xiàn)AI 模型將訓(xùn)練集中AUC 從0.72 提高到0.95，敏感度從43.0%提高到82.2%，特異度從87.1%提高到91.6%，可為臨床醫(yī)生制訂個(gè)性化治療方案提供參考。有研究[37]基于T2WI 創(chuàng)新性地挖掘直腸系膜脂肪的信息，建立影像組學(xué)模型來(lái)預(yù)測(cè)LARC患者nCRT 后的pCR，并取得了良好的預(yù)測(cè)效能，表明腫瘤周圍直腸系膜脂肪也可能顯示出巨大的預(yù)測(cè)能力。

由此可見(jiàn)，AI 作為一種潛在的定量工具，在評(píng)估LARC患者pCR方面具有重要的價(jià)值，能為臨床決策提供合理依據(jù)。目前的研究普遍存在研究隊(duì)列規(guī)模小、缺乏外部驗(yàn)證等問(wèn)題，只有通過(guò)國(guó)內(nèi)甚至國(guó)際多中心研究才能實(shí)現(xiàn)模型的廣泛適用性。

5 基于MRI的AI在預(yù)測(cè)患者預(yù)后中的應(yīng)用

局部復(fù)發(fā)和遠(yuǎn)處轉(zhuǎn)移是RC預(yù)后不良的重要影響因素。大約15%～30%的結(jié)直腸癌患者會(huì)出現(xiàn)轉(zhuǎn)移[38]。如果能夠在早期識(shí)別并篩查出此類高危人群，就可以在術(shù)前對(duì)此類人群進(jìn)行有針對(duì)性的治療，并制訂適當(dāng)?shù)闹委煵呗詮亩纳祁A(yù)后[8]。近年來(lái)的研究發(fā)現(xiàn)，基于MRI的AI在預(yù)測(cè)RC預(yù)后方面表現(xiàn)突出。

JAYAPRAKASAM 等[37]在軸位T2WI 上提取直腸系膜脂肪的影像組學(xué)特征建立模型來(lái)預(yù)測(cè)LARC的局部復(fù)發(fā)和遠(yuǎn)處轉(zhuǎn)移，研究發(fā)現(xiàn)在局部復(fù)發(fā)或遠(yuǎn)處轉(zhuǎn)移的患者和未發(fā)生的患者之間，直腸系膜脂肪的影像組學(xué)特征有顯著差異。LIU 等[39]開(kāi)發(fā)并驗(yàn)證了基于MRI 的影像組學(xué)特征，用于預(yù)測(cè)多中心數(shù)據(jù)集的遠(yuǎn)處轉(zhuǎn)移，研究證明基于MRI的影像組學(xué)特征是預(yù)測(cè)LARC患者遠(yuǎn)處轉(zhuǎn)移的獨(dú)立因素。而CUI等[40]基于多參數(shù)MRI圖像提取影像組學(xué)特征并聯(lián)合臨床病理因素構(gòu)建列線圖用于預(yù)測(cè)LARC患者無(wú)病生存期，訓(xùn)練集和驗(yàn)證集的C指數(shù)分別為0.780和0.803。此外，TIBERMACINE等[41]進(jìn)行了一項(xiàng)多中心研究，評(píng)估和比較了不同的影像組學(xué)模型預(yù)測(cè)LARC 患者無(wú)病生存期的能力，結(jié)果表明模型預(yù)測(cè)無(wú)病生存期的AUC 值范圍為0.77 至0.89，均表現(xiàn)出了良好的性能。另一項(xiàng)回顧性多中心研究構(gòu)建了一個(gè)基于DL 的影像組學(xué)模型，用于預(yù)測(cè)接受nCRT后LARC 患者的遠(yuǎn)處轉(zhuǎn)移，發(fā)現(xiàn)基于MRI 的DL 影像組學(xué)特征在遠(yuǎn)處轉(zhuǎn)移預(yù)測(cè)中表現(xiàn)良好，在驗(yàn)證隊(duì)列中，C指數(shù)為0.747，AUC為0.894[42]。LIANG等[43]使用基于ML 的MRI 影像組學(xué)來(lái)預(yù)測(cè)RC 的異時(shí)性肝轉(zhuǎn)移，并取得了良好的預(yù)測(cè)效能。

環(huán)周切緣（circumferential resection margin,CRM）陽(yáng)性是RC 局部復(fù)發(fā)和生存率較差的預(yù)測(cè)指標(biāo)[44]。因此，準(zhǔn)確地預(yù)測(cè)CRM 是否陽(yáng)性對(duì)于選擇合理的治療方案尤為重要。一項(xiàng)單中心回顧性研究基于Faster R-CNN 評(píng)估RC CRM 的受累情況[45]，在訓(xùn)練集中，CRM 陽(yáng)性和陰性的比例為1∶2；該模型的準(zhǔn)確度、敏感度和特異度分別為93.2%、83.8%和95.6%，AUC為0.953。研究表明，該AI模型可對(duì)原位腫瘤外侵引起的CRM陽(yáng)性區(qū)域行風(fēng)險(xiǎn)評(píng)估，具有初步篩選的應(yīng)用價(jià)值。然而，目前關(guān)于MRI 的AI 在RC CRM 識(shí)別中的研究仍較少，未來(lái)需要擴(kuò)大樣本量行更深入的研究來(lái)完善AI輔助診斷CRM平臺(tái)。

EMVI 見(jiàn)于31%的RC 患者[46]，研究表明EMVI 與LARC 患者的腫瘤復(fù)發(fā)和總體死亡風(fēng)險(xiǎn)增加有關(guān)，也是預(yù)后不良的指標(biāo)[47]。因此，早期識(shí)別EMVI 對(duì)治療策略的選擇具有重要意義。為了提高診斷EMVI的準(zhǔn)確性，SHU 等[48]基于T1WI、T2WI、DWI 和T1WI 增強(qiáng)圖像，并使用不同的ML算法，結(jié)合臨床特征構(gòu)建了聯(lián)合模型用于EMVI 的術(shù)前預(yù)測(cè)；結(jié)果表明基于貝葉斯算法構(gòu)建的聯(lián)合模型預(yù)測(cè)效能表現(xiàn)最佳，AUC、敏感度和特異度分別為0.835、71.4%和88.5%。LIU 等[49]開(kāi)發(fā)和驗(yàn)證了基于原發(fā)腫瘤特征的影像組學(xué)列線圖，以使用ML 預(yù)測(cè)術(shù)前病理性EMVI，結(jié)果表明影像組學(xué)列線圖的預(yù)測(cè)效率最高，AUC為0.863，可能有助于患者選擇最佳治療策略。ZHAO等[50]從合成MRI圖像中提取影像組學(xué)特征，同樣建立了列線圖預(yù)測(cè)EMVI，驗(yàn)證隊(duì)列AUC為0.899，此外，影像組學(xué)特征診斷效果優(yōu)于兩位放射科醫(yī)生（AUC分別為0.912、0.732和0.763）。

以上研究成果表明基于MRI 的AI 能夠自動(dòng)化、高通量地提取圖像信息，以無(wú)創(chuàng)的方式捕獲腫瘤影像信息，在RC患者風(fēng)險(xiǎn)分層中發(fā)揮了重要作用，在很大程度上可幫助臨床醫(yī)生做出合理的醫(yī)療決策。未來(lái)，MRI 單序列建模也將逐漸走向多序列融合甚至多模態(tài)融合建模方向，但距離臨床應(yīng)用尚待時(shí)日。

6 小結(jié)

從這些研究中我們不難看出隨著基于MRI 的AI在RC 中的發(fā)展與應(yīng)用不斷深入，其在病灶分割、T 分期評(píng)估、淋巴結(jié)轉(zhuǎn)移預(yù)測(cè)、nCRT 療效評(píng)估、預(yù)后預(yù)測(cè)方面的優(yōu)勢(shì)逐漸顯現(xiàn)，取得了令人鼓舞的成就。然而，目前AI 仍處于試驗(yàn)階段，面臨著諸多發(fā)展瓶頸。首先，高質(zhì)量的圖像對(duì)AI至關(guān)重要，目前受限于復(fù)雜的醫(yī)療場(chǎng)景和不均質(zhì)的圖像質(zhì)量，圖像數(shù)據(jù)標(biāo)準(zhǔn)化程度低，目前的AI算法仍不能滿足高標(biāo)準(zhǔn)醫(yī)療要求；其次，模型的穩(wěn)健性和通用性是影響其在臨床中應(yīng)用的重要因素，未來(lái)，也許通過(guò)增加研究數(shù)據(jù)量和標(biāo)準(zhǔn)化AI工作流程能夠改善；最后，DL需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練，而直腸是具有蠕動(dòng)的管狀結(jié)構(gòu)，高質(zhì)量的訓(xùn)練數(shù)據(jù)采集是一個(gè)大問(wèn)題，且目前仍然無(wú)法定性地解釋DL 特征的含義。與此同時(shí)，由于“黑匣子”問(wèn)題，AI 的臨床應(yīng)用進(jìn)展緩慢。因此，AI 在RC 中的臨床應(yīng)用仍然存在挑戰(zhàn)。

AI 的最終目標(biāo)是實(shí)現(xiàn)臨床應(yīng)用，但并不意味著取代臨床醫(yī)生和臨床工作流程，而是減輕臨床醫(yī)生的負(fù)擔(dān)，提供有用信息，以輔助臨床實(shí)現(xiàn)個(gè)性化治療。相信在不久的將來(lái)，能通過(guò)規(guī)范AI流程，打破數(shù)據(jù)之間的壁壘，提高模型的泛化性，最終將AI應(yīng)用于臨床，從而更大程度地推動(dòng)結(jié)直腸學(xué)科的進(jìn)步，為更多患者提供更高效精準(zhǔn)、個(gè)性化的醫(yī)療服務(wù)。

作者利益沖突聲明：全體作者均聲明無(wú)利益沖突。

作者貢獻(xiàn)聲明：楊軍構(gòu)思和設(shè)計(jì)本綜述，對(duì)稿件重要內(nèi)容進(jìn)行了修改，支持性貢獻(xiàn)，獲得了國(guó)家自然科學(xué)基金項(xiàng)目資助；朱鈺起草和撰寫稿件，獲取、分析或解釋本研究的數(shù)據(jù)；歐陽(yáng)治強(qiáng)，單海燕，楊露，褚吉祥，廖承德，柯騰飛獲取、分析或解釋本研究的數(shù)據(jù)，對(duì)稿件重要內(nèi)容進(jìn)行了修改；廖承德獲得了云南省衛(wèi)生健康委員會(huì)醫(yī)學(xué)學(xué)科帶頭人基金項(xiàng)目資助；全體作者都同意發(fā)表最后的修改稿，同意對(duì)本研究的所有方面負(fù)責(zé)，確保本研究的準(zhǔn)確性和誠(chéng)信。