【影像组学与AI】基于MRI的深度学习模型预测直肠癌的预后

　　这是一篇2023年6月6日发表于Radiology杂志的新研究，第一作者单位为中山六院。

　　文章亮点

　　构建一个基于Vision Transformer的深度学习模型，以术前MRI扫描作为输入数据，准确预测了直肠癌患者的总生存率（OS）和无病生存率（DFS）。使用来自中国的725名直肠癌患者的盆腔MRI扫描图像对深度学习网络进行了训练和测试，Vision Transformer（ViT）的表现优于传统的神经网络（总生存率[OS]C-index，0.82 vs 0.67 [ResNet]；P = .02）。

　　2. 在内部测试组中，ViT计算的风险分数与患者的1年、3年和5年OS相关（接收者操作特征曲线下的面积分别为0.65、0.64和0.74）。

　　3. 在验证组中，ViT计算的风险评分和治疗前癌胚抗原水平相结合，与单独的变量相比，显示出更好的预后预测效果（OS C-指数，0.86 vs 0.82和0.61）；在德国一家机构获得的外部测试组中也保持了这种性能。

　　背景:

　　深度学习（DL）模型有可能改善直肠癌的预后，但还没有得到系统的评估。

　　目的:

　　根据治疗前T2加权MRI扫描的分割肿瘤体积，开发并验证用于预测直肠癌患者生存期的MRI DL模型。

　　材料和方法:

　　在两个中心回顾性地收集了2003年8月至2021年4月期间诊断的直肠癌患者的MRI扫描，对DL模型进行了训练和验证。如果有双原发的恶性肿瘤、既往接受过抗肿瘤治疗、未完成新辅助治疗、或没有进行根治性手术，则患者被排除在研究之外。C指数被用来确定最佳模型，该模型被应用于内部和外部测试集。根据训练集计算出的固定分界线，将患者分层为高风险和低风险组。还评估了一个多模式模型，它使用DL模型计算的风险评分和治疗前癌胚抗原水平作为输入。

　　结果：

　　训练集包括507名患者（中位年龄，56岁[IQR，46-64岁]；355名男性）。在验证集（n = 218；中位年龄，55岁[IQR，47-63岁]；144名男性）中，最佳算法的总生存期C指数达到0.82。最佳模型在内部测试组（n = 112；中位年龄，60岁[IQR，52-70岁]；76名男性）的高危组中达到了3.0（95%CI：1.0，9.0），在外部测试组（n = 58；中位年龄，57岁[IQR，50-67岁]；38名男性）达到了2.3（95% CI：1.0，5.4）。多模态模型进一步提高了性能，验证和外部测试集的C-指数分别为0.86和0.67。

　　结论：

　　一个基于术前MRI的DL模型能够预测直肠癌患者的生存率。该模型可作为术前风险分层的工具。

　　目前对局部晚期直肠癌患者的治疗标准是新辅助治疗，然后进行全直肠系膜切除术（1）。虽然这种多模式治疗能使局部复发率降低（2），但它并没有明显改善长期生存率（3-5）。现有的预后分层主要是基于已建立的TNM肿瘤分期系统和病理肿瘤消退分级。然而，由于同一阶段患者的临床异质性，TNM并不是一个最佳的风险评估工具。另一方面，肿瘤回归分级只适用于术后标本，这限制了初始治疗阶段的临床决策（6）。因此，一个能在癌症诊断时提供预后信息的模型对优化治疗和监测非常有用。

　　盆腔MRI在临床上常规用于直肠癌的诊断和分期，可用于检测潜在的预后因素，如壁外血管侵犯和环形切除边缘的侵犯（7,8）。随着近十年来图像定量分析方法的发展，可以通过计算机自动提取医学放射学图像的定量特征（9）。许多研究利用MRI扫描的经典手工放射组学来预测局部晚期直肠癌患者的化疗疗效、预后和分子分型（10-12）。然而，放射组学需要费力费时的精确肿瘤标记，阻碍了其临床应用；此外，预先选择的形态学特征制约了可从图像中提取的信息。

　　深度学习（DL）是一种新兴的机器学习技术，很有希望克服这些问题。在计算机视觉领域，Vision Transformer（ViT），一个基于变换器的模型，在21000张自然图像上进行了预训练，在许多任务上取得了最先进的性能（13）。与传统的机器学习技术不同，DL不需要领域专家手动提取和选择特征。它可以直接处理原始数据并自动开发模式识别所需的自己的表征，所以不需要明确指定规则或特征。当给定足够的数据点时，与乳腺癌的MRI数据中的放射学分析相比，DL已被证明能带来优越的性能（14）。最近，DL技术甚至在各种医学图像分析任务中取得了专家级的表现（15,16）。我们以前的研究也表明，DL可以预测治疗前后MRI的病理完全反应（17）。然而，据我们所知，目前还没有验证过的用于直肠癌患者预后的DL方法，而且一些更先进的技术，如ViT，也没有被使用。

　　这项回顾性研究是根据《赫尔辛基宣言》进行的，并遵守《个人预后或诊断的多变量预测模型的透明报告》或TRIPOD声明（附录S1）（18）。经中山大学附属第六医院伦理委员会批准（编号：2022ZSLYEC-236），我们分析了中山大学附属第六医院的中国直肠癌患者。此外，经过亚琛工业大学伦理委员会的伦理批准（编号EK028/19），我们分析了来自亚琛工业大学医院的德国直肠癌患者。在这项匿名数据的回顾性研究中放弃了知情同意。

　　我们收集了三个独立的患者队列。首先，一个来自中国的主要队列，被分成训练组和验证组，用于模型选择和超参数优化。这个队列包括来自中国中山大学附属第六医院的725名中国患者，他们在2010年6月至2019年4月期间被诊断为美国癌症联合委员会II期或III期局部晚期直肠癌（图1A）。纳入标准为：（a）组织病理学证实的直肠腺癌；（b）新辅助治疗开始前1周内有治疗前MRI扫描结果；（c）MRI评估的肿瘤下缘距离肛门边缘小于15厘米； (d) 根据MRI评估，治疗前临床分期为T3或更高，结节分期为阳性，或周身切除边缘受累；以及(e) 新辅助治疗后进行了全直肠系膜切除术。排除标准是：（a）并发恶性肿瘤或以前的抗癌治疗；（b）新辅助治疗疗程不完整或没有进行根治性手术；（c）MRI数据缺失或图像质量不足；以及（d）临床随访数据缺失或不完整。在主要队列的725名患者中，有370人已被先前报道（17）。此前的文章涉及新辅助治疗后治疗反应的预测，而在本研究中，我们报告的是治疗后的长期结果。

　　其次，我们收集了2007年10月至2015年1月期间在同一中国中心诊断的112名直肠癌患者，作为一个完全独立的内部测试队列（图1B）。纳入和排除标准与前面描述的相同，但这些患者都没有接受新辅助治疗。

　　第三，我们收集了一个外部测试队列的数据，该队列也仅用于评估最终模型（图1C）。这个队列的数据来自德国亚琛大学医学中心，包括2003年8月至2021年4月期间58名直肠癌患者，肿瘤分期为IV期。纳入标准（a）、（b）和（c）与初级队列的标准相同。纳入标准(d)和(e)没有用于外部测试队列，因为这些是有转移的病人（第四期肿瘤）。排除标准与初选队列的标准相同。图1：流程图显示了患者的纳入情况：（A）局部晚期直肠癌，组成训练和验证集；（B）非转移性直肠癌，组成内部测试集；以及（C）转移性直肠癌，组成外部测试集。NAT=新辅助治疗，T2WI=T2加权成像

　　获得压脂增强的T2加权轴向MRI扫描（表S1，图2）。在初选队列中，所有T2加权切片中的肿瘤感兴趣区域由两位具有15年经验的放射科医生使用ITK-SNAP软件（ITK-SNAP Home）以盲法方式手动划定。在内部测试组和外部测试组中，感兴趣的区域由两位外科医生（X.J.和H.Z.，分别有5年和3年的经验）按照相同的协议手动划定，并由一位在评估结肠直肠癌成像方面有10年经验的委员会认证的放射学家（D.T.）进行验证。所有感兴趣的区域都由另外至少一位在直肠癌图像处理方面有8年以上经验的专家检查。选择具有最大肿瘤区域的部分作为模型的输入。图2：本研究的流程图。(A）图示DL模型的构建和验证。T2WI均由专家手动勾画，并对具有最大肿瘤面积的图层进行分割，(B) 图中显示了模型的结构。MLP = 多层感知器。(C) 整体分组和统计分析过程，包括(KM)生存分析、时间相关的接收器操作特征(ROC)分析和Cox回归分析评估风险分数。

　　我们按7:3的比例将符合条件的患者从初级队列中随机分为训练集（n = 507）和验证集（n = 218）。我们训练了一个DL模型，直接从治疗前T2加权图像的分割肿瘤体积中预测病人的风险分数。这些图像描绘了以肿瘤为中心的感兴趣区域，以及肿瘤外缘的10像素区域。具体来说，我们使用了ViT，它在ImageNet-21K（13）上进行了预训练。我们将其与一个更传统的方法--卷积神经网络（CNN）进行了比较。具体来说，对于ViT，我们使用ViT-B/16架构。对于CNN，我们使用了ResNet50（19）、InceptionV3（20）、VGG16（21）、DenseNet121（22）和MobileNet（23）架构（附录S1）。在优化过程中，为了计算患者之间生存风险的差异，我们使用了一个自定义的损失函数，依靠Cox部分似然（24,25）。简而言之，产生无病生存（DFS）和总生存（OS）的两个损失，以1:1的比例相加，并用于梯度计算，在减少损失的方向上反复更新模型的参数。验证集的最高Harrell C-指数被用来为每个模型选择最佳检查点，具有最高总体C-指数的模型被用于后续分析。为了使图像的哪些部分对预测很重要，我们应用梯度加权类激活图（26）和注意力图来生成热图。

　　该模型的预后性能是用Harrell C-指数、时间依赖的接收器操作特征分析和Kaplan-Meier生存分析来评估的。训练队列中的中位风险评分被用来对每个数据集的患者进行分层；风险评分高于或等于-1.307的患者被置于高风险组，而风险评分低于该值的患者被置于低风险组。进行Kaplan-Meier生存分析以评估这两组之间的预后差异。进行事后分析以确定两组和按性别、年龄、肿瘤位置、T期、N期、治疗前癌胚抗原（CEA）水平（每毫升纳克）和放射治疗划分的亚组之间的关系。

　　统计分析由X.J.和H.Z.使用R3.4.0版（R基金会）进行，连续变量使用t检验，分类变量使用χ2或Fisher精确检验来比较患者特征。OS被定义为从手术到因任何原因死亡的时间。DFS定义为从手术到复发或转移或因任何原因死亡的时间间隔。所有的统计测试都是双侧的，P<0.05被认为是统计学上的显著差异。

　　所有的源代码和训练好的模型都可在https://github.com/KatherLab/dl-mri。

　　对于初级队列，在2133名已切除的局部晚期直肠癌患者中，我们排除了1303名患者，原因是没有治疗前骨盆轴向T2加权MRI扫描或图像质量不足，以及105名患者的生存数据缺失。对于内部测试组，纳入了565名切除的非转移性直肠癌患者，然后由于没有治疗前盆腔轴向T2加权MRI扫描或图像质量不足而排除了453名患者。对于外部测试队列，包括239名切除的转移性直肠癌患者，其中179名患者由于没有治疗前盆腔轴向T2加权MRI扫描或图像质量不足而被排除，两名患者由于生存数据缺失而被排除。表1总结了训练集（n = 507）、验证集（n = 218）、内部测试集（n = 112）和外部测试集（n = 58）中的患者特征。训练组的中位年龄为56岁（IQR，46-64岁），验证组为55岁（IQR，47-63岁），内部组为60岁（IQR，52-70岁），外部测试组为57岁（IQR，50-67岁）。训练集和内部测试集之间的基线信息没有统计学上的显著差异（表1）。表1：训练、验证、内部测试和外部测试组中的患者特征

　　我们训练了一个ViT模型来预测治疗前T2加权图像上的分割肿瘤体积的生存率。ViT模型的OS和DFS的C指数分别为0.82和0.69，高于任何一个测试的CNN计算的C指数（图S1，表S2）。使用验证集，ViT模型输出的风险分数能够准确预测1年、3年和5年的OS，其接受者操作特征曲线（AUC）下的面积分别为0.85（95%CI：0.77，0.94）、0.90（95%CI：0.82，0.97）和0.79（95%CI：0.62，0.97）。在验证组中，DL模型计算的风险评分也能准确预测1年（AUC，0.74 [95% CI: 0.61, 0.86]）、3年（AUC，0.70 [95% CI: 0.58, 0.82]）和5年（AUC，0.70 [95% CI: 0.57, 0.83]）的DFS（图S2）。根据DL模型计算的风险分数，患者也被分为高风险组和低风险组，这两组的临床特征见表2。表2：训练、验证、内部测试和外部测试组中按高风险和低风险分层的患者特征

　　在训练组和验证组中，高危组的淋巴结转移数量都多于低危组。在验证组中，高危组患者与低危组患者相比，OS（危险比[HR]，7.1[95%CI：2.4，21.3]；P < .001）和DFS（HR，2.7[95%CI：1.3，5.4]；P = .005）都有所降低（图3A）。图3：Kaplan-Meier曲线显示了基于训练集和验证集的深度学习（DL）模型计算的风险分数，并伴随着验证集中DL模型计算的风险分数的分布和可视化。

　　(A）训练集（顶部）（n = 507）和验证集（底部）（n = 218）中患者按高风险（H）（红线）或低风险（L）（蓝线）DL模型计算的风险评分分层后的总生存期（OS）和无病生存期（DFS）的Kaplan-Meier曲线。使用了DL签名的截止值-1.307，这是仅在训练集中确定的。对数rank检验被用来计算P值。危害比（HRs）后给出的P值代表了Cox回归的显著性检验，对其采用了似然比检验。括号内的数据为95%CI。(B) 左边是DL模型计算的风险分数的分布柱状图。虚线代表临界值。图的右边显示了专家划定的感兴趣区域的核磁共振扫描的例子，这些例子被用作视觉转化器（ViT）的输入。由ViT生成的梯度加权类激活图（grad-cam）热图和注意力图，叠加在输入图像上，显示在输入图像的右侧。ViT模型显示出对图像中的肿瘤区域的高度关注。

　　图3B中显示了验证集的DL模型计算的风险分数分布以及原始图像的梯度加权类激活图和注意力图的例子。

　　我们在两个独立的测试队列中验证了该模型。第一个测试队列（即内部测试队列）的数据与训练队列的数据来自同一医疗中心，包括112名非转移性直肠癌患者的治疗前T2加权MRI扫描结果。在内部测试队列中，OS和DFS的C-指数分别为0.65和0.60。另一个测试队列（即外部测试队列）包括58名来自德国的转移性直肠癌患者。在这个外部测试队列中，OS和DFS的C-指数分别为0.62和0.54。在外部测试队列中，DL模型计算的高风险组和低风险组之间没有观察到DFS的差异（P = .25），但DL模型预测的高风险组显示OS下降，HR为2.3（95% CI: 1.0, 5.4; P = .047）（图4, S3）。对主要队列以及内部测试集进行的亚组分析显示，DL模型预测的风险在几乎所有的临床亚组中都是一个强有力的预测因素（图S4，S5；表S3）。即使在一般认为预后较好的亚组，如肿瘤退行性分级为0或1的亚组，DL模型计算的风险评分也能区分验证集中的高风险组和低风险组（对数秩P=0.04）（图S6）。在初级队列中，放疗没有改善OS（P = .95）（图S7A），但确实改善了DFS并降低了复发率（13.7% vs 25.2%；P = .007）（图S7D）。与高风险组相比，低风险组在放疗后的DFS有所改善（HR，0.6 [95% CI: 0.3, 1.0]; P = .04）（图S7E, S7F）。在DL模型计算的高风险组中，接受和不接受放疗的患者之间没有观察到生存率的差异。图4：KM曲线显示了基于内部和外部测试集的DL模型计算的风险分数。内部测试集（n = 112）和外部测试集（下（n = 58）中，患者按高风险（H）（红线）和低风险（L）（蓝线）DL模型计算的风险评分分层后的OS和DFS；使用了DL模型计算的风险分数的截止值为-1.307，该值仅在训练集中确定。

　　如图5和S8所示，对于OS，DL模型预测风险的多变量Cox回归调整后的HR在训练、验证和内部测试集中分别为6.0（95%CI：2.6，13.8；P < .001）、4.6（95%CI：1.4，15.2；P = .01）和3.2（95%CI：1.0，9.8；P = .04），且高于病理T或N分期。对这些变量的C-指数的比较显示了类似的结果（表S4）。对于DFS，训练、验证和内部测试集的HRs分别为1.6（95%CI：1.0，2.5；P = .03），1.6（95%CI：0.8，3.4；P = .21），和2.8（95%CI：1.1，6.8；P = .03）。图5：多变量Cox回归分析的森林图。

　　(A）深度学习（DL）模型预测的风险和临床特征之间的多变量Cox回归分析，用于训练集的总生存率（OS）和无病生存率（DFS）。(B）内部测试集中DL模型预测的风险和临床特征的OS和DFS之间的多变量Cox回归分析。横轴为对数比例（log2），垂直虚线表示危险比（HRs）等于1。圆圈内的数字是HRs。绿色圆圈代表P>0.05，橙色圆圈代表P≤0.05，圆圈两边的水平线代表95%CI。H=高风险，L=低风险，pN=病理N期，post-CEA=新辅助治疗后的癌胚抗原水平，pre-CEA=新辅助治疗或手术前的癌胚抗原水平（用于内部测试集），pT=病理T期。

　　与单独的DL模型计算的风险评分（C-index，0.82 [95% CI：0.74，0.90]）和单独的治疗前CEA水平（C-index，0.61 [95% CI：0.48，0.74]）相比，综合的XGBoost模型在验证集中达到了较高的C-index 0.86（95%CI：0.79，0.93）。虽然多模态模型在内部和外部测试集中的预后都有一定的改善，但它只在外部测试集中显著提高了预后的准确性（P = .045）（图6A）。尽管如此，在预后方面，DL模型计算的风险评分和多模式模型的表现都明显优于单独的治疗前CEA（表S5）。此外，为了便于临床应用，我们将CEA状态（<5 ng/mL或≥5 ng/mL）与DL模型预测的风险组相结合，将患者分为三个新的多模态风险组，如图2C所示。与多模态高风险组相比，多模态低风险组的预后最有利。在内部测试组中，OS的HR为4.5（95%CI：1.0，20.1；P = .049），DFS为3.4（95%CI：1.0，11.7；P = .05）（图6B）。图6：深度学习（DL）模型计算的风险分数和基于血液的肿瘤生物标志物的整合。

　　(A) 治疗前癌胚抗原(CEA)水平的C指数的比较，以每毫升纳克为单位（绿色），DL模型计算的风险分数（橙色）、 训练集（n = 507）、验证集（n = 218）、内部测试集（n = 112）和外部测试集（n = 58）中的XGBoost模型（紫色）（将治疗前CEA水平和DL模型计算的风险分数合并为一个模型）的总生存（OS）和无病生存（DFS）。圆圈代表C-指数，圆圈两边的线代表95%的CI。CEA和DL模型计算的风险分数与XGBoost作为参考进行比较。 ns=不显著，ref=参考组。不显著=P≥0.05；*=.01≤P<.05；**=.001≤P<.01；***=P<.001。(B）根据DL模型计算的风险评分和治疗前CEA水平的组合，将患者分层为多模式低风险（绿线）、中风险（蓝线）和高风险（红线）组的Kaplan-Meier曲线。左上角的训练集和右上角的内部测试集显示了OS的Kaplan-Meier曲线。最下面一行是训练组和内部测试组的DFS的Kaplan-Meier曲线。危害比（HRs）后给出的P值代表了Cox回归的显著性检验，对其采用了似然比检验。括号内的数据为95%CI。

　　我们假设，在直肠癌诊断时，可以利用深度学习（DL）从MRI中提取预后信息，帮助优化治疗和监测。在此，我们开发了一个基于Vision Transformer（ViT）的DL模型，用于预测来自盆腔MRI数据的直肠癌患者的生存率。我们基于ViT的模型在主要队列中取得了可观的预测性能（训练集的危险比[HR]，6.5 [95% CI: 2.9, 14.6] [P < .001]，验证集的HR，7.1 [95% CI: 2.4, 21.3] [P < .001]），其中包括TNM II或III期直肠癌患者。我们在包括非转移性直肠癌患者的内部测试组和包括TNM第四期直肠癌患者的外部测试组中验证了该模型，我们的模型仍然能够很好地预测预后（内部测试组的HR，3.0 [95% CI: 1.0, 9.0] [P = .047]，外部测试组的HR，2.3 [95% CI: 1.0, 5.4] [P = .047]）。此外，当对TNM分期和癌胚抗原水平等临床病理因素进行调整后，DL模型预测的风险分数仍然是患者结局的独立预测因素。

　　以前的生存预测研究是基于经典的放射组学，在单中心的内部验证中取得了大约0.8的AUC或C-指数（27-29），而我们基于变压器的模型不仅表现出类似的性能，而且还在更大的样本量和不同国家得到了验证。此外，放射组学通常需要精确的人工肿瘤注释和经验特征提取，这限制了研究的可重复性和可扩展性。相比之下，在本研究中，我们使用单级肿瘤区域作为输入，这可以大大减少后续研究的工作量。此外，生存预测研究与图像分类不同，需要对生存时间进行准确排序。然而，随访数据往往有删减的数据，这使得使用DL进行生存预测变得很困难。以往的研究通常采用二元分类来克服这一问题（30,31），而在本研究中，我们采用Cox部分似然作为损失函数，以连续方式计算患者的预后风险。这样一来，我们减少了设置一个任意的截止值来对生存时间进行二进制化的主观影响。此外，我们在训练中加入了OS和DFS的损失函数，使DL模型能够学习复发、转移和死亡的特征，而不仅仅是单一事件。

　　在本研究中，我们使用ViT-B/16作为网络主干，它在非医学计算机视觉任务中已经成为CNN的替代品（13）。尽管ViT在这些任务中取得了比传统CNN更好的性能，但据我们所知，它还没有被广泛用于医学图像分类，更不用说生存预测了（32,33）。以前的研究表明，像ViT-B/16这样的变换器对图像数据中的高频噪声具有更强的稳定性（34,35）。在这项研究中，我们通过经验证明，预训练的ViT在生存预测方面可以达到比传统CNN更好的性能（OS C-index, 0.82 vs 0.67 [ResNet]; P = .02）。

　　观察和等待的方法目前是直肠癌患者的一种安全策略（36）。然而，在患者获得临床完全反应后，识别高风险的患者仍然具有挑战性。在通常预后较好的亚组--如肿瘤退行性分级为0和1以及N0的患者（37,38），DL模型预测的风险可以区分高风险和低风险患者。这表明，我们的DL模型计算的风险评分可以帮助识别高风险患者，即使他们在新辅助治疗后有良好的反应，也可能从更积极的治疗中受益。这可能是对观察和等待方法的决策过程的一个有益补充。我们还发现，DL模型预测的高危组在放疗后并没有显示出生存率的提高（对数秩P = .18）。这表明，我们的DL模型计算的风险分数可以用来识别那些不会从额外的放疗治疗中获益的患者。然而，考虑到样本量和混杂因素的影响，这一结论仍需进一步验证。

　　我们还分析了一种包括治疗前CEA水平的多模态方法，这种血液生物标志物的高浓度已被证明与不良预后有关（39）。我们的结果显示，多模态模型比单纯的DL模型计算的风险评分有更好的疗效（C-index，0.75 vs 0.69 [P < .001]，在验证集中），未来的研究可以考虑加入更多的预后相关因素来建立一个更强大的模型。

　　我们的研究有几个局限性。首先，尽管我们在一个跨国队列中验证了该模型，但外部测试集和训练队列之间的临床阶段以及治疗方案并不一致，而且用于高风险和低风险分层的截止点是基于样本内的正常化。此外，外部测试集由晚期疾病患者组成，这可能限制了管理变化的可能性。此外，所有的数据都是回顾性收集的，内部和外部测试集的样本量都很小，这可能会引入固有的偏见和隐藏的混杂因素。因此，需要一个更大的前瞻性队列来验证。尽管如此，我们表明，即使各个队列的临床特征不同，我们的预后模型在外部验证中仍能保持其性能。这代表了一种稳健的概括性，是一个有希望的迹象，表明该模型真正检测了直肠癌的预后形态学因素。

　　总而言之，我们开发并验证了一个基于MRI的术前深度学习模型，以预测直肠癌患者的生存率，而不需要任何人工特征提取或选择。该模型的输出是一个具有独立预后效用的风险评分，可作为直肠癌患者的术前风险分层工具。我们的研究表明，变压器神经网络应被视为卷积神经网络在放射学图像分析中的一个有前途的替代方案。我们的开源模型可以为推进精准医疗做出贡献，值得在未来的临床试验中进一步验证。

　　参考文献Jiang X, Zhao H, Saldanha OL, Nebelung S, Kuhl C, Amygdalos I, Lang SA, Wu X, Meng X, Truhn D, Kather JN, Ke J. An MRI Deep Learning Model Predicts Outcome in Rectal Cancer. Radiology. 2023 Jun;307(5):e222223. doi: 10.1148/radiol.222223. PMID: 37278629.