基于改進(jìn)的全卷積網(wǎng)絡(luò)模型預(yù)測(cè)局部進(jìn)展期直腸癌新輔助放化療療效

王 方，龐曉琳,2，范新娟,3

1中山大學(xué)胃腸病學(xué)研究所，廣州 510655 中山大學(xué)附屬第六醫(yī)院 2放射腫瘤科 3病理科，廣州 510655

結(jié)直腸癌是消化系統(tǒng)最常見(jiàn)的惡性腫瘤之一，其全球發(fā)病率、死亡率均居惡性腫瘤第3位[1]。由于病情隱匿，臨床癥狀特異性差，且缺乏廣泛使用的篩查手段，相當(dāng)比例的患者確診時(shí)處于局部進(jìn)展期直腸癌(locally advanced rectal cancer，LARC)。最新美國(guó)國(guó)家綜合癌癥網(wǎng)絡(luò)(National Comprehensive Cancer Network，NCCN)制定的直腸癌診治指南[2]指出，LARC的推薦治療策略是先進(jìn)行新輔助放化療(neoadjuvant chemoradiotherapy，nCRT)，之后視治療效果行全直腸系膜切除術(shù)(total mesorectal excision，TME)或其他治療。nCRT在縮小病灶、控制腫瘤局部進(jìn)展、增加手術(shù)治療率、改善臨床預(yù)后方面均具有明顯作用，LARC患者可從中獲益[3]。nCRT療效存在顯著的個(gè)體差異，約15%～20%的LARC患者可達(dá)病理學(xué)完全緩解(pathological complete response，pCR)，其生存率和腫瘤控制率均較可觀[4]，甚至后期無(wú)須行手術(shù)切除[5]；但部分患者的腫瘤控制率較差，此部分人群預(yù)后不容樂(lè)觀。因此，建立nCRT療效預(yù)測(cè)模型，對(duì)于預(yù)后不良高風(fēng)險(xiǎn)人群于TME前進(jìn)行個(gè)體化干預(yù)，有助于解決LARC患者臨床診療中的難題。

影像學(xué)可為疾病的輔助診斷和預(yù)后評(píng)估提供重要參考信息，其中MRI具有無(wú)輻射、對(duì)人體組織分辨率高等優(yōu)勢(shì)，已廣泛應(yīng)用于直腸癌的臨床評(píng)估。目前，已有多個(gè)研究團(tuán)隊(duì)基于影像組學(xué)特征構(gòu)建不同的預(yù)測(cè)模型，用于疾病的預(yù)后評(píng)估，輔助臨床決策[6-9]，但既往針對(duì)LARC患者nCRT療效的研究中，直接對(duì)MRI圖像進(jìn)行語(yǔ)義分割并構(gòu)建nCRT治療效果分類預(yù)測(cè)模型的報(bào)道較少。本研究借助改進(jìn)的全卷積網(wǎng)絡(luò)(fully convolutional networks，F(xiàn)CN)，對(duì)MRI圖像中直腸范圍內(nèi)的腫瘤區(qū)域進(jìn)行分割，旨在構(gòu)建預(yù)測(cè)LARC患者經(jīng)nCRT治療后是否達(dá)pCR的模型。

1 資料與方法

1.1 研究對(duì)象與數(shù)據(jù)分組

本研究為回顧性分析。研究對(duì)象為2013年6月至2018年12月中山大學(xué)附屬第六醫(yī)院接受nCRT治療的LARC患者。納入標(biāo)準(zhǔn)：(1)組織病理證實(shí)為原發(fā)性直腸腺癌；(2)基線影像學(xué)證實(shí)臨床分期為T3～T4或淋巴結(jié)轉(zhuǎn)移陽(yáng)性；(3)腫瘤與肛門邊緣的距離<15 cm；(4)nCRT治療后均接受TME；(5)nCRT后(TME前1周內(nèi))均行MRI檢查，進(jìn)行腫瘤再分期；(6)nCRT方案包括調(diào)強(qiáng)適形放射治療(intensity modulated radiotherapy，IMRT)和同步化療，前者對(duì)整個(gè)盆腔進(jìn)行25次總劑量為45 Gy，對(duì)大體腫瘤進(jìn)行5.4 Gy的加強(qiáng)劑量放療，后者為口服或靜脈注射5-氟尿嘧啶(5-fluorouracil，5-FU)。排除標(biāo)準(zhǔn)：(1)由于嚴(yán)重炎性積液、腸粘連或腸蠕動(dòng)等導(dǎo)致MRI圖像質(zhì)量差者；(2)TME術(shù)后病理診斷缺失者。

為增加預(yù)測(cè)模型的科學(xué)性，按住院時(shí)間順序?qū)?shù)據(jù)劃分為Data A與Data B兩個(gè)數(shù)據(jù)集。其中，Data A用于語(yǔ)義分割模型訓(xùn)練，Data B用于pCR預(yù)測(cè)模型的訓(xùn)練與測(cè)試。Data B按7∶3的比例隨機(jī)分為訓(xùn)練集和驗(yàn)證集。

本研究已通過(guò)中山大學(xué)附屬第六醫(yī)院臨床倫理審查委員會(huì)審批(審批號(hào)：2020ZSLYEC-010)，并豁免患者知情同意。

1.2 方法

1.2.1 pCR評(píng)定

依據(jù)NCCN直腸癌指南[2]，TME切除病理標(biāo)本中無(wú)存活腫瘤細(xì)胞可判定為pCR；否則為非pCR。本研究pCR的評(píng)定由2名具有10年以上相關(guān)工作經(jīng)驗(yàn)的病理科醫(yī)生共同完成。

1.2.2 MRI圖像采集

患者于nCRT治療后均接受MRI檢查(OPTIMA MR360，美國(guó)GE公司)，所有圖像均按照指南[10]要求在1.5-Tesla MRI單元下掃描完成。掃描序列為T2加權(quán)像(T2 weighted image,T2WI)，掃描參數(shù)：回波時(shí)間=100 ms，重復(fù)時(shí)間=4000 ms，視野=100 mm，矩陣為512×512，像素間距為0.4～0.5 mm，層厚為5 mm。

1.2.3 數(shù)據(jù)預(yù)處理

為消除背景噪聲、統(tǒng)一圖像模式、提高圖像質(zhì)量，首先通過(guò)Python 3.8.13軟件中的“Simple ITK”程序包對(duì)T2WI圖像進(jìn)行預(yù)處理[10-11]。具體策略：(1)雙線性插值：對(duì)所有 MRI圖像進(jìn)行重新采樣，規(guī)格為0.4 mm×0.4mm 像素間距；(2)尺寸統(tǒng)一：通過(guò)裁剪或填充，將圖像大小統(tǒng)一為544×544像素；(3)偏差修正(bias correction)：調(diào)整圖像強(qiáng)度，以消除不同病例之間的不均勻性；(4)強(qiáng)度直方圖匹配。

1.2.4 感興趣區(qū)勾畫

通過(guò)ITK-Snap 3.4.0軟件(http://itk-snap.org)完成感興趣區(qū)勾畫。(1)依據(jù)指南[12]，對(duì)T2WI序列圖像進(jìn)行標(biāo)注。以直腸壁作為異常信號(hào)的參考，盡可能勾畫其中的腫瘤區(qū)域，并盡量在直腸內(nèi)進(jìn)行勾畫，避免腸腔內(nèi)空氣、腸腔壁外脂肪等因素的干擾。(2)直腸定位點(diǎn)：以肉眼可清晰辨識(shí)直腸為標(biāo)準(zhǔn)作為首張圖像，以腸腔延至結(jié)腸并出現(xiàn)明顯不規(guī)則時(shí)作為結(jié)束圖像，在不考慮勾畫形狀和大小的情況下，粗略地以點(diǎn)的方式對(duì)每張MRI圖像進(jìn)行直腸位置標(biāo)記。為提高圖像分割的精準(zhǔn)度，由2名經(jīng)驗(yàn)豐富且對(duì)本研究?jī)?nèi)容不知情的放射科醫(yī)生共同勾畫直腸定位點(diǎn)和腫瘤區(qū)域。

1.3 語(yǔ)義分割模型訓(xùn)練

1.3.1 深度分割網(wǎng)絡(luò)：改進(jìn)的FCN

本研究圖像分割以FCN為基本框架[13-16]。在訓(xùn)練FCN分割模型時(shí)，按7∶3的比例將Data A隨機(jī)分為兩部分，分別用于分割模型訓(xùn)練、最佳網(wǎng)絡(luò)參數(shù)選擇。FCN中僅包含一個(gè)卷積層，每個(gè)卷積操作(最后一個(gè)操作除外)后面均包含批歸一化和線性歸一化單元(rectified linear units,ReLU) 的激活函數(shù)。此外，單個(gè)輸出點(diǎn)中可對(duì)原圖中提取的信息進(jìn)行卷積操作的輸入?yún)^(qū)域稱為感受野，其可根據(jù)網(wǎng)絡(luò)架構(gòu)進(jìn)行計(jì)算。本研究以FCN為基礎(chǔ)模型，通過(guò)語(yǔ)義分割技術(shù)將MRI 圖像的每個(gè)像素進(jìn)行類的分配。

直腸定位是本研究深度學(xué)習(xí)模型的重要步驟，在樣本較小和計(jì)算能力不足等情況下可提高預(yù)測(cè)模型的準(zhǔn)確度。由于直腸的解剖結(jié)構(gòu)是柔軟的中空腔，在連續(xù)的MRI圖層中無(wú)法表現(xiàn)為均勻、固定的形狀，若直腸有嚴(yán)重的形態(tài)變化或移位，深度分割網(wǎng)絡(luò)可能將結(jié)腸、子宮、膀胱和前列腺等其他器官誤識(shí)別為直腸，將對(duì)后續(xù)分析產(chǎn)生嚴(yán)重影響。為解決該問(wèn)題，本研究設(shè)計(jì)了一個(gè)可基于更多信息進(jìn)行指導(dǎo)分割的三通道FCN(圖1)。由于直腸區(qū)域在相鄰的 MRI 圖像之間保持連續(xù)性，模型輸入信息不僅包括當(dāng)前圖層MRI 圖像，還包括有助于檢測(cè)直腸輪廓的前一張圖像信息。

圖1 多通道FCN模型展示FCN：全卷積網(wǎng)絡(luò)；ROI：感興趣區(qū)

如果當(dāng)前圖像中的直腸壁清晰度欠佳，此時(shí)輸入的其他圖像可能會(huì)提供有用的信息，以輔助直腸定位。前一張圖像、當(dāng)前圖像、直腸位置信息被組合成3個(gè)通道作為模型的輸入通道，輸入尺寸為244×244，通道數(shù)為3，輸出通道為腫瘤分割區(qū)域，通道數(shù)為1。

除輸入通道外，本研究在如下方面對(duì)FCN模型進(jìn)行了調(diào)整：(1)在網(wǎng)絡(luò)卷積過(guò)程中進(jìn)行圖像裁剪，以直腸定位點(diǎn)為圖像的中心點(diǎn)，固定裁取244×244大小的圖像。(2)通過(guò)將圖像水平翻轉(zhuǎn)、旋轉(zhuǎn)90°、270°等操作擴(kuò)展數(shù)據(jù)。(3)以帶泄露修正線性單元(leaky rectified linear units，Leaky ReLU)代替ReLU作為激活函數(shù)，防止網(wǎng)絡(luò)收斂下降梯度消失。

1.3.2 損失函數(shù)選取及相關(guān)定義

語(yǔ)義分割模型的損失函數(shù)為二元交叉熵Loss(Contrastive Loss)[17]。二元交叉熵Loss適用于多數(shù)僅進(jìn)行二分類的語(yǔ)義分割場(chǎng)景，其定義見(jiàn)公式(1)：

(1)

其中，yc表示熱獨(dú)編碼向量，取0或1；pc表示預(yù)測(cè)樣本為c的概率。

本研究以圖像分割的Dice值、靈敏度、特異度共同作為衡量目標(biāo)分割區(qū)域準(zhǔn)確度的指標(biāo)。其中Dice值可評(píng)估模型與金標(biāo)準(zhǔn)對(duì)圖像分割區(qū)域的重疊程度[18]，Dice取值范圍為0～1，其中0表示“完全不重疊”，1表示“完全重疊”。其定義見(jiàn)公式(2)：

(2)

其中A∩B為集合A與B的交集，|·|表示集合中的元素個(gè)數(shù)。

Dice Loss由公式(3)定義：

Dice Loss=1-Dice

(3)

靈敏度和特異度可根據(jù)真陽(yáng)性、假陽(yáng)性、真陰性和假陰性進(jìn)行計(jì)算，詳見(jiàn)文獻(xiàn)[19]。

1.3.3 參數(shù)設(shè)置

采用VGG16預(yù)訓(xùn)練模型的權(quán)重[20]。初始學(xué)習(xí)率α=2×10-4,β=(0.9,0.999)。最大訓(xùn)練Epoch設(shè)置為120，每 20個(gè) Epoch 按30%的速率衰減。訓(xùn)練過(guò)程中，設(shè)置早期停止(early stopping)的方式防止模型過(guò)度擬合，若模型的性能在 30個(gè)Epoch上無(wú)提高，訓(xùn)練即會(huì)停止。該模型的配置參數(shù)為12G 內(nèi)存的 Nvidia Titan X GPU。全程使用PyTorch 1.8.1[20]實(shí)現(xiàn)模型訓(xùn)練。

1.4 FCN特征提取

語(yǔ)義分割模型可通過(guò)卷積結(jié)構(gòu)提取圖像的深層特征，本研究使用基于預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建語(yǔ)義分割模型。當(dāng)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)提取的深度特征越接近分類任務(wù)，語(yǔ)義分割模型的圖像分割效果越好?；谟?xùn)練完成的模型，提取Data B驗(yàn)證集數(shù)據(jù)中最終卷積層的特征進(jìn)行pCR預(yù)測(cè)。

(5)“有效氯含量”可用來(lái)衡量含氯消毒劑的消毒能力,其定義是:每克含氯消毒劑的氧化能力相當(dāng)于多少克Cl2的氧化能力。NaClO2的有效氯含量為_(kāi)___。(計(jì)算結(jié)果保留兩位小數(shù))

由于研究中以患者個(gè)體為分析單位，還需將單個(gè)患者的所有MRI圖層信息進(jìn)行數(shù)據(jù)整合和特征篩選。本研究將單個(gè)病例所有的信息進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，計(jì)算每個(gè)特征的均值。

1.5 數(shù)據(jù)降維

鑒于提取的數(shù)據(jù)量巨大，需進(jìn)行數(shù)據(jù)降維后方可構(gòu)建預(yù)測(cè)模型[21-22]。本研究采用最小絕對(duì)收縮和選擇算子(least absolute shrinkage and selection operator,LASSO)回歸法進(jìn)行數(shù)據(jù)降維。LASSO回歸可對(duì)提取的所有特征進(jìn)行篩選[23]，并保留系數(shù)非0的特征進(jìn)行降維。實(shí)際操作中，共進(jìn)行1000次迭代。最佳λ位于10-5至105之間，由網(wǎng)格搜索法和5折交叉驗(yàn)證確定。

1.6 pCR狀態(tài)預(yù)測(cè)

1.7 統(tǒng)計(jì)學(xué)處理

采用SPSS 23.0軟件進(jìn)行統(tǒng)計(jì)分析。符合正態(tài)分布的計(jì)量資料(年齡、影像特征)以均數(shù)±標(biāo)準(zhǔn)差表示；組間比較采用獨(dú)立樣本t檢驗(yàn)。計(jì)算資料以頻數(shù)(百分?jǐn)?shù))表示，組間比較采用卡方檢驗(yàn)。采用受試者操作特征(receiver operating characteristic,ROC)曲線評(píng)估SVM分類器預(yù)測(cè)pCR的性能，結(jié)果以曲線下面積(area under the curve,AUC)表示，一般認(rèn)為，AUC>0.6為模型的預(yù)測(cè)性能良好。以P<0.05為差異具有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 一般臨床資料

共317例患者符合納入標(biāo)準(zhǔn)，剔除MRI圖像質(zhì)量差或病理診斷缺失患者13例，最終納入研究的LARC患者304例。其中2013年6月至2015年11月的103例為Data A，2015年12月至2018年12月的201例為Data B。Data B中，訓(xùn)練集140例、驗(yàn)證集61例。

nCRT治療后，82例判定為pCR，222例為非pCR。304例患者的臨床資料見(jiàn)表1。

表1 304例LARC患者臨床資料比較

2.2 語(yǔ)義分割模型的性能評(píng)價(jià)

基于Data B數(shù)據(jù)集，對(duì)語(yǔ)義分割模型的性能進(jìn)行評(píng)價(jià)，結(jié)果顯示改進(jìn)的FCN模型對(duì)圖像分割的Dice值為0.79(95% CI:0.65～0.81)，靈敏度為80%(95% CI:77%～83%)，特異度為72%(95% CI:64%～85%)。語(yǔ)義分割模型對(duì)MRI圖像的分割過(guò)程見(jiàn)圖2。

圖2 語(yǔ)義分割模型處理過(guò)程展示

2.3 特征提取

基于完成訓(xùn)練的語(yǔ)義分割模型，本研究共提取最終卷積層中512個(gè)影像特征用于pCR狀態(tài)預(yù)測(cè)。該特征納入LASSO回歸，經(jīng)網(wǎng)格搜索和5折交叉驗(yàn)證后，確定最佳 λ 為0.027。圖3為 LASSO回歸中不同λ下影像特征間的均方誤差展示，圖4為L(zhǎng)ASSO回歸分析不同λ下的影像特征置信度。

圖3 LASSO回歸分析中不同λ下影像特征間的均方誤差LASSO：最小絕對(duì)收縮和選擇算子

經(jīng)LASSO回歸篩選，最終確定7個(gè)影像特征用于構(gòu)建 SVM 分類器。

2.4 pCR預(yù)測(cè)

SVM分類器訓(xùn)練完成后，以Data B訓(xùn)練集數(shù)據(jù)為基礎(chǔ)，采用5折交叉驗(yàn)證法獲取最優(yōu)參數(shù)，正則化因子C=1，核系數(shù)γ=0.125。使用最優(yōu)參數(shù)的SVM 分類器在Data B訓(xùn)練集中預(yù)測(cè)pCR的AUC為0.65(95% CI:0.61～0.71)(圖5)，在Data B驗(yàn)證集中的AUC為0.69(95% CI:0.59～0.74)(圖6)。

圖5 SVM分類器在Data B訓(xùn)練集中預(yù)測(cè)pCR的ROC曲線圖SVM：支持向量機(jī)；ROC：受試者操作特征；AUC:曲線下面積；pCR：同表1

圖6 SVM分類器在Data B驗(yàn)證集中預(yù)測(cè)pCR的ROC曲線圖SVM、ROC、AUC：同圖5；pCR：同表1

3 討論

本研究首次提出了基于改進(jìn)的FCN模型對(duì)MRI圖像進(jìn)行語(yǔ)義分割，進(jìn)而提取有效的腫瘤特征構(gòu)建預(yù)測(cè)LARC患者接受 nCRT治療后 pCR 狀態(tài)的模型。改進(jìn)后的FCN模型極大避免了直腸定位錯(cuò)誤，可以較小的樣本量進(jìn)行模型訓(xùn)練。結(jié)果顯示該模型對(duì)圖像分割的Dice值為0.79，滿足后續(xù)分類特征提取的需求。在pCR分類過(guò)程中，共篩選了7個(gè)影響特征用于預(yù)測(cè)模型的構(gòu)建，在Data B訓(xùn)練集和驗(yàn)證集中，該模型預(yù)測(cè)pCR的AUC分別為0.65、0.69，提示以效率最大化為目的，僅使用較少數(shù)據(jù)量和單一類型的數(shù)據(jù)，對(duì)nCRT治療效果的預(yù)測(cè)即可達(dá)到一個(gè)穩(wěn)定的結(jié)果，在實(shí)際臨床應(yīng)用中，可較好地輔助青年醫(yī)師進(jìn)行初步篩查。相較其他同類型的研究，該預(yù)測(cè)模型對(duì)數(shù)據(jù)的要求較低，未來(lái)與其他模型融合的可能性更大，具有較好的應(yīng)用前景。

FCN模型的搭建是圖像分割的里程碑事件，其可對(duì)圖像進(jìn)行像素級(jí)分類，解決語(yǔ)義級(jí)別圖像分割的難題，有效提升圖像分割的精度。既往研究中，F(xiàn)CN用于2D醫(yī)學(xué)圖像分割時(shí)，往往僅考慮單張圖像的信息，對(duì)醫(yī)學(xué)圖像的連續(xù)性和人體結(jié)構(gòu)的連貫性缺乏深入分析[26-27]。本研究基于臨床實(shí)踐經(jīng)驗(yàn)，重點(diǎn)在輸入通道上對(duì)傳統(tǒng)FCN模型進(jìn)行改進(jìn)[28]。改進(jìn)后的FCN模型可將當(dāng)前圖像的前后相鄰圖像以及直腸定位點(diǎn)作為連貫的信息納入，更加符合臨床實(shí)踐操作，在圖像分割的速度和效率上更具優(yōu)勢(shì)。此外，與既往單一圖像分割或單一組學(xué)分析不同的是[6-9,26-27]，本研究將FCN模型與影像組學(xué)相結(jié)合，可減少流程復(fù)雜程度，顯著提升效率。本研究結(jié)果顯示，改進(jìn)的FCN模型具有較好的圖像分割靈敏度，但特異度稍低。進(jìn)一步基于Data B兩個(gè)數(shù)據(jù)集對(duì)以該模型圖像分割結(jié)果為基礎(chǔ)構(gòu)建的預(yù)測(cè)模型的識(shí)別效果進(jìn)行了驗(yàn)證，發(fā)現(xiàn)預(yù)測(cè)模型預(yù)測(cè)pCR的AUC分別為0.65、0.69，提示模型的性能良好，有望作為一項(xiàng)快速評(píng)估工具，輔助醫(yī)務(wù)人員早期預(yù)測(cè)nCRT治療效果，以制訂臨床決策，針對(duì)性干預(yù)。

本研究模型在多方面尚有改進(jìn)之處：(1)數(shù)據(jù)類型和分析工具方面，可考慮納入臨床特征和實(shí)驗(yàn)室指標(biāo)，如中性粒細(xì)胞計(jì)數(shù)、淋巴細(xì)胞計(jì)數(shù)、血小板計(jì)數(shù)、腫瘤標(biāo)志物等，以構(gòu)建多模態(tài)預(yù)測(cè)模型[29]；此外，可嘗試采用樸素Bayes分類器、多元Logistic回歸模型等SVM分類器之外的機(jī)器學(xué)習(xí)方法。(2)結(jié)果解釋方面，可借助影像組學(xué)技術(shù)。大量研究表明，影像組學(xué)模型可提高腫瘤異質(zhì)性的評(píng)估精度，并將影像學(xué)特征與生物學(xué)特征相關(guān)聯(lián)，以指導(dǎo)臨床治療方案的制訂和患者預(yù)后預(yù)測(cè)。當(dāng)前已有多個(gè)研究團(tuán)隊(duì)借助MRI影像組學(xué)技術(shù)實(shí)現(xiàn)了對(duì)pCR狀態(tài)進(jìn)行預(yù)測(cè)，并取得了較可觀的結(jié)果[30]。本研究未對(duì)提取的腫瘤特征進(jìn)行定義和規(guī)范化，可解釋性不如影像組學(xué)技術(shù)。但該預(yù)測(cè)模型對(duì)感興趣勾畫的要求低，在模型構(gòu)建的流程上有較大提升，未來(lái)可借助影像組學(xué)技術(shù)進(jìn)一步對(duì)模型進(jìn)行改進(jìn)。(3)在語(yǔ)義分割模型方面，F(xiàn)CN是最常用的圖像分割模型之一，其結(jié)構(gòu)簡(jiǎn)單、數(shù)據(jù)量小，經(jīng)大數(shù)據(jù)量樣本訓(xùn)練后可獲得較高的性能。本研究雖然對(duì)FCN進(jìn)行了改進(jìn)，但樣本量較少，且鑒于醫(yī)學(xué)圖像的復(fù)雜性，語(yǔ)義分割模型的精度仍有待提高。未來(lái)，除對(duì)參數(shù)進(jìn)行改進(jìn)外，可考慮選擇更適合的分割模型進(jìn)行圖像分割，以進(jìn)一步優(yōu)化模型結(jié)構(gòu)。

綜上，本研究提出的改進(jìn)的FCN模型，對(duì)MRI圖像進(jìn)行語(yǔ)義分割具有較高的準(zhǔn)確度，基于該方法構(gòu)建的預(yù)測(cè)模型實(shí)現(xiàn)對(duì)LARC患者接受 nCRT治療后 pCR 狀態(tài)預(yù)測(cè)具有可行性，結(jié)果穩(wěn)定，可輔助臨床醫(yī)師為患者制訂個(gè)體化診療方案。相較于既往研究通過(guò)“PyRadiomics”等成熟影像組學(xué)構(gòu)建的模型[31]，該模型可極大地減少放射科醫(yī)生手動(dòng)勾畫腫瘤特征的工作量，提高工作效率。

作者貢獻(xiàn)：王方負(fù)責(zé)思路框架設(shè)計(jì)與實(shí)現(xiàn)，并撰寫論文初稿；龐曉琳負(fù)責(zé)數(shù)據(jù)收集、整理及倫理申請(qǐng)；范新娟提供研究思路，負(fù)責(zé)論文修訂。

利益沖突：所有作者均聲明不存在利益沖突