应用深度学习技术建立多模态直肠癌术前放化疗后肿瘤退缩分级的智能诊断模型

At present, the most commonly used radiological TRG classification method is proposed by MERUCRY collaboration group in 2011 based on pTRG. However, due to the lack of objective and quantitative evaluation parameters, the accuracy is not high and the inter-observer consistency is low. .Intelligent analysis of medical imaging serves a new tool for tumor regression grade of rectal cancer after neoadjuvant chemoradiotherapy. It is possible to achieve intelligent diagnosis of TRG after neoadjuvant chemoradiotherapy by using traditional machine learning methods and in-depth learning methods which have developed rapidly in recent years, and to improve the level of clinical diagnosis and treatment of rectal cancer. .This project proposes to carry out a prospective, multi-center study, using in-depth learning method to establish a multi-modal intelligent evaluation model by fusion of for image, pathology and gene information TRG evaluation of rectal cancer. The multi-modal intelligent evaluation will achieve accurate preoperative prediction of pathological TRG and risk assessment of long-term prognosis of patients. The research will develop a set of intelligent, quantitative and visualized assistant diagnosis system for TRG to improve the work efficiency of clinicians, and to actively promote the transformation of clinical application of research results.

目前最常采用影像学TRG分级方法是2011年MERUCRY协作组根据pTRG提出的，但是由于缺少客观、定量的评价参数导致准确率不高，一致性较低。医学影像智能分析为直肠癌新辅助放化疗后的肿瘤退缩分级诊断提供了新的工具，采用传统的机器学习方法和近几年发展迅速的深度学习方法，将有可能实现新辅助放化疗肿瘤退缩分级状况的智能诊断，切实提高直肠癌的临床诊疗水平。.本项目拟开展前瞻性、多中心研究，应用深度学习方法建立直肠癌新辅助放化疗后肿瘤退缩分级的影像、病理、基因融合的多模态智能评估模型，实现术前对病理TRG的准确预测，以及对患者远期预后的风险评估。研究将开发一套智能化、定量化、可视化的TRG辅助诊断系统，切实提高临床医生工作效率，促进研究成果的临床实践应用转化。

目前常采用的直肠癌新辅助治疗影像学肿瘤退缩分级（TRG）方法是2011年MERUCRY协作组根据病理肿瘤退缩分级（pTRG）提出的，由于缺少客观、定量的评价参数导致准确率不高，一致性较低。医学影像智能分析为直肠癌新辅助放化疗后的肿瘤退缩分级诊断提供了新的智能工具。.本课题包括回顾性700例和前瞻性585例直肠癌新辅助治疗患者。课题组基于MRI T2和DWI常规扫描图像，构建直肠癌新辅助患者pTRG预测模型并完成模型的多中心验证。外部验证时数据经过标准化，同时通过在新数据集内对网络再次训练以提高准确性，以克服不同型号、参数对模型准确性的影响。验证集中模型预测AUC达0.728，显示出具有临床应用潜力。基于MRI-DKI图像，构建直肠癌新辅助治疗患者pCR预测模型，AUC为0.989，且模型能够辅助影像医生提高pCR诊断的准确率约15%。 研究同时应用深度学习方法将多 b 值扩散磁共振图像转化为一种特征签名图片，用于直肠癌新辅助治疗 pCR 的预测，AUC为0.924。研究采用U-net网络实现在扩散加权图像上的直肠癌自动分割，分割效果好于半自动分割模型。研究同时建立了基于医生主观测量指标、与直肠癌患者预后密切关联的MR肿瘤反应评分mrTRS，并与pTRG相对应。此外，研究证明增强MRI可以显著提高T再分期的准确性，增强MRI方案预测病理ypT0-1的效果优于传统T2DWI方案（AUC 0.81 vs 0.66）。.研究发表SCI论文8篇（6篇SCI IF>5 篇），获批发明专利1项。培养博士后1名，博士生2名，研究成果获得2022年中国抗癌协会科技二等奖。