结直肠癌术前诊断的挑战与机遇
结直肠癌（CRC）的精准治疗高度依赖于准确的风险评估。传统方法，如术后病理TNM分期、共识分子亚型（CMS）分类以及微卫星不稳定性（MSI）检测，虽然精确，但存在明显的滞后性——它们都需要手术切除的组织标本，这限制了其在术前治疗决策中的应用价值。CT影像作为术前评估的关键手段，能够提供肿瘤形态和分期的重要信息，但如何深度挖掘这些影像数据，一直是临床面临的难题。尽管深度学习潜力巨大，但其对大量人工标注数据的依赖，成为了技术发展的瓶颈。
为了突破这一困境，厦门大学王连生教授团队与中山大学吴小剑教授、高峰教授团队联手，开发了一种基于自监督学习（SSL）的结直肠癌CT影像基础模型——CRCFound。该模型无需人工标注，通过学习海量CT影像数据，为结直肠癌的术前精准诊断开辟了新路径。
CRCFound模型：如何通过自监督学习革新诊断
这项研究汇集了超过6300例结直肠癌患者的三维增强CT影像。研究团队利用其中5137例无标注的影像数据对CRCFound模型进行预训练。模型的核心采用了先进的Vision Transformer（ViT）架构，并结合掩码自动编码器（Masked Autoencoder, MAE）策略。通俗地说，该技术通过随机遮盖CT图像的75%区域，然后训练模型根据剩余信息“脑补”出完整图像。这一过程迫使模型深入学习肿瘤的内在结构、纹理特征以及与周围组织的关系，从而掌握了通用且高效的影像特征。
此外，CRCFound模型还具备多模态融合能力，能够整合CT影像对应的放射学文本报告，进一步提升诊断的准确性和可靠性。
临床应用验证：CRCFound在八大关键任务中表现优异
在包含1195例带临床标签影像的验证队列中，CRCFound模型展现了其强大的临床应用潜力。结果显示，该模型在八项关键临床任务中均表现出色，包括：
- TNM分期： 对肿瘤浸润深度（T分期）、淋巴结转移（N分期）、远处转移（M分期）及总体分期的评估。
- 分子分型预测： 对微卫星不稳定性（MSI）状态和共识分子亚型（CMS）的分类。
- 预后评估： 预测患者的总生存期（OS）和无病生存期（DFS）。
与未经预训练的模型相比，CRCFound显著提升了各项任务的准确度。尤其在淋巴结转移（N分期）的判断上，预训练模型的AUROC（衡量模型性能的指标）提升幅度高达22%。通过梯度加权类激活映射（Grad-CAM）技术的可视化分析也证实，模型能够精准地将“注意力”集中在肿瘤及转移淋巴结区域，为其诊断结果提供了可靠的解释性。
超越影像分期：精准预测分子亚型与患者预后
CRCFound模型在分子亚型预测方面的表现同样令人瞩目。在MSI状态诊断中，其平均AUROC达到了0.952，远超单纯依赖影像的模型。这一突破意义重大，因为微卫星不稳定性高（MSI-H）的患者往往能从免疫治疗中获益匪浅。术前精准识别MSI状态，能为患者争取宝贵的治疗时机，避免不必要的传统化疗。
在预后分析方面，基于CRCFound提取的影像特征构建的风险模型，能够有效地区分高风险与低风险患者群体。在多变量分析中，CRCFound被证实是一个独立的预后影响因子，其预测能力优于传统临床模型。
总结与展望：AI开启结直肠癌精准诊疗新篇章
总而言之，CRCFound模型的构建是结直肠癌诊断领域的一项创新性成果。它不仅有效解决了医学影像标注数据不足的难题，还通过多模态信息融合，显著提升了模型的泛化能力和临床适用性，为实现结直肠癌的术前精准诊断和个性化治疗提供了强有力的工具。
精准的诊断是制定有效治疗方案的第一步。明确肿瘤分期、MSI状态等关键信息，有助于医生为患者选择最合适的靶向治疗或免疫治疗药物。如果您对前沿疗法或药物信息有任何疑问，可以咨询MedFind的AI问诊服务，获取专业的参考信息。
