《2023人工智能在结直肠癌诊疗中的研究进展及前景展望.docx》由会员分享，可在线阅读，更多相关《2023人工智能在结直肠癌诊疗中的研究进展及前景展望.docx（18页珍藏版）》请在课桌文档上搜索。
1、2023人工智能在结直肠癌诊疗中的研究进展及前景展望摘要结直肠癌是全球最常见的恶性肿瘤之一，由于患者对标准治疗方案存在异质性的治疗反应及预后，其个性化诊疗策略一直是备受关注的研究热点。近年来，随着人工智能(AI)技术在医疗领域的迅猛发展，AI在辅助结直肠癌的术前、术中、术后各阶段诊疗方案决策方面均涌现出大量阶段性研究成果，展现出了巨大的应用潜力，为结直肠癌患者的个体化评估和辅助诊疗提供了全新且高效的解决方案。未来,AI系统可能会进一步向多模态、多组学、实时化方向发展。本文旨在探讨AI在结直肠癌诊疗多个方面的辅助应用研究现状，并对AI技术在未来结直肠癌个性化诊疗中可能带来的创新和面临的挑战予以展
2、望。局部进展期结直肠癌当前的标准化治疗策略是新辅助治疗加手术1-3o由于结直肠癌患者对新辅助治疗的反应呈现较大的异质性，仅有13%22%的患者可以获得病理完全缓解(pathologiccompleteresponse,pCR),而且新辅助治疗联合全直肠系膜切除(totalmesorectalexcisionJME)后,远处转移和局部复发率仍较高4-6。人工智能(artificialintelligence,Al)技术的出现和发展，为结直肠癌患者的个体化诊疗提供了新的思路。AI起源于20世纪50年代，经过数十年的演进，已经发展成包括深度学习等多个专业子领域在内的广泛技术体系7-8。随着数据获取和
3、处理能力的不断提升以及AI算法的逐渐成熟,AI在结直肠癌辅助诊疗领域的研究进展日新月异9。近年来，AI在结直肠癌领域的应用逐渐深入，覆盖了诊疗全流程，包括术前分期自动诊断、新辅助疗效评估、术中导航、淋巴结清扫决策、识别手术阶段和器械、解释荧光信号，手术预后预测等阶段口0-15；见图1。研究表明，AI还有望进一步优化术中导航，提高手术精确度，并协助医生评估手术效果和吻合口并发症风险16o本文重点总结AI在结直肠癌术前、术中以及术后诊疗全流程中的应用研究，评价AI在这些研究中的作用及潜在优势，并就Al对未来临床实践的影响和价值作一展望。一、术前肿瘤T分期和pCR的精准预测AI在结直肠癌术前的临床应
4、用研究主要集中在作为术前诊断工具方面，包括肿瘤分期、生物标志物检测和新辅助疗效预测等，这些应用为临床决策、风险评估以及提高诊疗的精确性提供支持，同时有助于实现个性化的精准医疗。其目前的研究热点主要集中在结直肠癌分期与新辅助疗效预测。1.分期预测：结直肠癌术前T分期，即评估肿瘤的局部侵3再呈度,对于临床治疗方案决策、预测患者预后及评估治疗反应至关重要。然而，T分期的准确性受限于诸多因素，包括成像技术的分辨率、医生的经验与主观判断以及肿瘤的生物学特性等。这些限制因素可能导致肿瘤T分期的不准确，从而影响治疗决策和患者的预后。而AI算法可以通过学习大量的影像数据，识别并量化影像中的微妙变化，实现提高T
5、分期的准确性。Sun等17探讨了从T2加权成像(T2weightimage,T2WI)提取的影像组学特征对T分期的预测价值，共提取256个特征，通过聚类分析及最小绝对收缩和选择算子(leastabsoluteshrinkageandselectionoperatorzLASSO)进行统计测试，结果显示，T分期与影像组学特征之间有显著相关性。受试者工作特性曲线下面积(areaunderthecurve,AUC)为0.852,灵敏度和特异度分别为79%和82%,表明从MRI提取的影像组学特征在直肠癌T分期的识别中是可行的。但该研究为单中心研究，缺乏独立验证，且样本量相对较小，可能对研究结果的普适性
6、和准确性造成影响。在HOU等18的另一项研究中，基于深度学习的三维超分辨率MRl影像组学模型被应用于706例结直肠癌患者的术前T分期预测。研究使用深度迁移学习网络对T2WI进行分辨率增强，创建了两个影像组学模型高分辨率模型HRT2和超分辨率模型SRT2,其预测性能均高于放射科专家的评估,其中SRT2在直肠癌术前T分期的预测中表现出更高的准确性和临床价值。该研究表明深度学习可以显著提高T分期的准确性，为未来结直肠癌患者的个性化治疗方案制定提供了科学依据。但该研究中影像组学模型基于手动勾画构建，虽然模型SRT2表现更佳，但使用超分辨率技术增加了分割工作量。未来，自动分割与影像组学分析的结合可能为超
7、分辨率模型提供更高的稳健性。以上研究提示,AI对结直肠癌术前T分期预测准确性表现出较传统方法更优的性能。AI能够有效识别和量化医学影像中的细微变化，能够减少成像技术分辨率、医生经验和主观判断的限制，从而提高肿瘤分期的精确度，对临床治疗方案的制定和患者预后评估具有重要意义。2.新辅助治疗效果预测：新辅助治疗旨在缩小肿瘤大小、降低肿瘤分期、提高手术切除率和生存率19opCR状态是评估患者长期预后的重要指标之一，通常与较低的复发率和较好的生存率有关，而非pCR则可能意味着更高的复发风险和较差的预后。由于肿瘤的异质性，患者能否达到pCR是新辅助治疗的一大挑战，同一分期的患者接受相同的新辅助治疗也会出现
8、不同的反应。一部分患者不仅无法从新辅助治疗中获益，而且遭受了不必要的不良反应，延误了手术时间；另一部分患者虽然达到了pCR,但存在过度治疗的风险。因此，术前pCR的准确预测可以指导等待观察策略的选择，在适当的时候予以治疗，对个体化的精准治疗具有重要意义。为了实现在术前准确识别可达到pCR的患者群体Zhang等20基于383例局部进展期结直肠癌患者的弥散峰度和T2WI搭建深度学习模型预测患者对新辅助治疗的反应，结果显示，在测试组中，神经网络模型的AUC为0.99,显著高于两名影像科医生的AUC1(0.66和0.72IP0.001);与仅使用弥散峰度的模型相比，深度学习模型预测pCR表现更好(AU
9、C值从0.76提高到0.99该研究突显了AI在医学影像分析中的潜力。尽管该研究受限于单一中心的样本，可能限制了模型在不同来源样本下的普适性，但这种局限性是初步研究常见的，并不会降低研究的创新性及其结果的初步指导价值。除了使用MRl之外，近期作者团队与中山大学附属第六医院合作，进一步纳入病理数据，构建了一个预测PCR的影像病理组学模型21。该模型集成了与pCR相关的3个特征集影像学MRI特征、病理学核特征和病理学微环境特征。验证队列1和验证队列2的AUC分别为0.860和0.872o在前瞻性验证研究中,模型AUC为0.812,显著优于单模态预测模型（病理学微环境模型的AUC为0.630,影像组学
10、MRI模型的AUC为0.716,病理学MRI模型的AUC为0.733;均P0.001该研究进一步表明，数字病理特征可以提供反映分子特征或遗传模式的信息，进而补充肿瘤的异质性信息，增强现有模型的预测能力。尽管该研究存在一些局限性，如图像来源的质量依赖、跨机构扫描设备的参数差异未加以处理以及人口统计变量的缺失，但前瞻性研究已证实了其在临床环境中的有效性。以上研究表明，高质量的多模态、多组学数据可以推动结直肠癌预后预测向精细化和个体化方向发展。尽管一些研究面临数据收集的标准化和跨设备差异性处理等挑战，上述研究仍验证了AI系统的有效性，也为未来的自动化图像分析系统提供了技术基础。此外，上述研究对人口统
11、计变量的潜在价值的认识，为后续的研究开辟了新的道路，可能会进一步优化预后预测模型。二、手术治疗方案决策AI技术正在逐渐成为结直肠癌手术中一个重要的辅助工具，辅助应用包括手术导航、实时微循环分析、自动光学活检与高光谱成像、淋巴结清扫决策支持等方面，尽管这些技术仍处于发展阶段，但它们展现了在手术实践中实现精准医疗的巨大潜力。1.肿瘤识别与血液灌注评估：常规手术很大程度上依赖于手术视野的直接暴露，结直肠位置深入,手术空间受限，这会加大对于大型肿瘤或位置复杂的肿瘤的手术难度。因此，使用荧光成像和实时血管解剖图像的手术导航技术，为结直肠癌手术提供实时的视觉和定位辅助至关重要22-23。在结直肠癌手术中，
12、吻合口并发症直接影响患者的生活质量和生存期，其诊断主要依赖于临床表现和影像学检查，但这些方法不够灵敏或特异。通过使用深度学习和图像识别技术，AI可以自动识别和评估吻合口的结构和功能，从而及时发现并预测吻合口并发症，为临床提供有价值的辅助信息24-25为了在结直肠癌手术中实现更准确的肿瘤定位，Kok等26探讨了实时肿瘤跟踪的可行性。该研究应用了一种术中导航系统，通过实时肿瘤跟踪技术，能够以高中位目标配准精度（3mm）实时准确地获取肿瘤位置和关键解剖信息。虽然该研究为外科医生提供实时准确的肿瘤定位信息，可能有助于减少切缘阳性的概率进而改善患者预后，但该研究中所有患者都是在接受了新辅助放疗后较长时间
13、才进行手术的，这种延迟可能影响了手术前影像的准确解释。为了在术中实时区分肿瘤组织和正常组织，Cahill等27基于AI和口引珠菁缜indocyaninegreenJCG灌注技术提供一个新的术中决策支持方法。该研究基于24例患者的术中荧光图像构建了肿瘤检测模型，通过分析24例患者手术视频，利用ICG对感兴趣区域(regionofinterest,ROI)进行跟踪和分析，成功开发了一个基于梯度提升树模型的AI工具。该模型在留一验证中展现出86.4%的准确率，并在患者级别诊断中正确诊断出了20例癌症中的19例，灵敏度达100%,特异度为92%该研究进一步展示了AI在辅助结直肠癌手术中识别和分类组织的
14、潜力,为未来实时的术中决策提供了有价值的参考。但该研究未考虑纳入术前影像，术前影像学数据对于规划手术和理解病理解剖结构至关重要。这可能对该模型的全面性和准确性造成一定影响。在吻合口并发症风险评估方面，Park等28开发了基于AI的腹腔镜结直肠手术实时微循环分析系统，更好地理解和评估手术过程中的血流情况,结果显示，传统参数和基于AI的分析在预测吻合口并发症风险上具有可比性，基于AI的分析在统计性能验证上表现更好。通过AI分析，F1分数在T12max.固定时间比率(timeratio,TR)和上升斜率方面分别提高了31%、8%和8%,展现了AI技术在推动临床手术技术创新与优化方面的重要潜力。尽管该
15、研究采用了预处理方法来减小外部影响，但外部环境因素仍可能影响AI系统性能。上述研究通过实现组织分类、实时的手术导航、肿瘤定位与监测，显著提升了手术的准确性与安全性，为改善患者预后提供了有力支持，可以为吻合口并发症的早期诊断与管理提供高效、敏感和特异的解决方案，促进了临床决策的优化。上述研究一定程度上推动术中导航、实时监控和并发症管理等方面的技术进步，同时也指出了实时手术导航技术面临的挑战和未来的发展方向，为相关领域的研究提供了参考。2.淋巴结转移预测:淋巴结转移被认为是影响预后和治疗决策的关键因素，在术前准确识别出患者淋巴结转移情况将指导术中选择最合适的淋巴结清扫方式。常规的淋巴结转移判断主要
16、依赖于病理检查，但病理数据术前无法获取,且病理检查主观性较强,其准确性受限于样本的质量和数量29。影像组学在评估淋巴结转移风险方面已经展现出较高预测性能30-31。然而，影像组学缺乏可解释性，限制了其临床应用。为此,Guan等32探讨了机器学习模型在预测淋巴结转移状态中的应用。该研究对6578例结直肠癌患者的一系列临床病理特征进行数据开发，并在两个外部验证集共3016例患者验证了基于隐私保护计算平台(privacy-preservingcomputationplatform,PPCP)的机器学习模型，采用了包括逻辑回归、支持向量机、EXtremeGradientBoosting和随机森林在内的
17、机器学习模型来建立预测模型，经由特征筛选，筛选出11个与淋巴结转移相关的关键特征.ExtremeGradientBo。Sting模型为最佳模型其AUC高达0.84,显著高于其他机器学习模型和NCCN指南中的预测因子。该预测模型已被嵌入到一个网络工具LN-MASTER中，用于预测结直肠癌淋巴结转移状态。该项研究成果具有重大意义，是国内首次将PPCP应用于临床癌症研究，证实了PPCP在数据安全性和应用可行性方面的优势。但由于是回顾性研究，存在潜在的内在选择偏差，可能会影响研究结果的准确性和推广应用的可靠性。除以上模型之外Xiehl等33探究了深度学习模型在结直肠癌淋巴结转移预测中的应用潜力。该研究
18、通过训练卷积神经网络(convolutionalneuralnetwork,CNN)分析组织病理切片和临床数据，发现深度学习特征结合临床特征能够提高淋巴结转移的预测准确性，在内部测试集上，该模型AUC达到0.71,而临床分类器AUC达到了0.67;将两个分类器结合使用，可将AUC提高到0.741o在癌症基因组图谱数据集中，临床分类器的表现保持稳定，而该模型的表现则下降到61.2%的AUCx表明临床分类器的表现强烈依赖于肿瘤T分期。该研究为早期评估淋巴结转移风险提供了一个高效且精确的方案，可能对个体化治疗方案的制定具有积极意义。但该研究未包含一些重要的临床分类和已知的风险因素，如肿瘤出芽，这可能
19、限制了分析的全面性。以上研究展现了机器学习和深度学习等AI模型在结直肠癌淋巴结转移预测方面的重要价值。通过将AI模型嵌入网络工具，可以推动医疗服务的数字化转型。这些成果整体上可为结直肠癌的诊断和辅助治疗、尤其是对淋巴结清扫提供辅助决策，对结直肠癌临床诊疗技术的创新与发展具有积极的推动作用。三、预后预测分析AI技术在结直肠癌术后的辅助应用主要集中在患者预后预测方面，预后评估对于患者的长期健康和治疗决策至关重要。而传统方法在评估患者预后时可能不足以全面捕捉肿瘤的生物学特征和异质性，AI在基于医学影像、病理图像的预后分析方面展现出了巨大潜力。1.基于影像的预后预测：在局部进展期结直肠癌中，风险分层可
20、以帮助尽早识别出具有较高复发和转移风险的患者。据报道，化疗只能使不到20%的局部进展期患者受益，而超过50%的患者会发生远处转移34。一项中外合作研究开发并验证了一个基于盆腔MRI扫描图像训练的VisionTransformer(ViT)深度学习模型，用于根据治疗前T2WI扫描的分段肿瘤体积预测结直肠癌患者的生存期35。在内部测试组中，ViT计算的风险分数可有效预测患者的1、3和5年总生存率(AUC分别为0.65、0.64和0.74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；该模型在德国一家机构获得的外部测试组中也保持了这种性能。该研
21、究发现，模型输出是具有独立预后效用的风险评分，可作为结直肠癌患者的术前风险分层工具,为结直肠癌管理中更加个体化和数据驱动的临床决策提供基础。尽管该模型在跨国队列中得到验证，但外部测试集和训练队列的临床阶段和治疗方案的不一致可能会对研究结果的普适性造成影响。常规的影像学技术在早期检测和准确定位微小的转移灶上仍存在局限性,误诊和漏诊会导致不恰当的治疗选择和增加复发风险36-37。为此，作者团队与云南肿瘤医院、中山大学附属第六医院和复旦大学附属肿瘤医院开展多中心合作研究,从3家医院获取235例接受新辅助放化疗的局部进展期结直肠癌患者的T2WI和DWI数据，通过迁移学习构建了一个基于多个MRI参数的远
22、处转移预测模型,并建立一个集成深度MRI信息和临床病理因素的Nomogram38o研究发现，该模型在预测远处转移方面表现良好，验证队列中的一致性指数(concordanceindex,C-index)为0.747,AUC为0.894。列线图模型的性能更好,C-index为0.775该研究提出的模型可以进行患者术后远处转移的显著分层，为预测接受新辅助化疗的局部进展期结直肠癌患者的远处转移风险提供了新的可能途径。但该研究采用回顾性样本，可能会引入选择偏差，进而影响结果的可推广性。虽然该研究涵盖了来自3家医院的患者数据，但样本量的大小可能仍然限制了结果的统计效力；多中心的数据也可能增加了分析的复杂性
23、,可能需要更多的方法来控制潜在的混杂因素。除了基于深度神经网络的预后预测研究，此前作者团队已与国内5家医院合作，深入研究了影像组学评分与远处转移的关系39。该研究纳入了5家医院629例局部进展期结直肠癌患者的影像和随访信息，发现高影像组学评分患者在接受辅助化疗后肿瘤无进展生存期缩短，影像组学评分在所有4个队列中都显示出良好的区分远处转移高风险与低风险患者的准确性,表明影像组学评分可能有助于个体化治疗计划的制定，以选择可能从辅助化疗中获益的患者。该研究为结直肠癌的辅助化疗效果评估提供了有价值的影像学特征，揭示了影像学特征在预后预测、识别不同治疗反应和优化治疗方案中的潜在价值。但该研究未能结合微观
24、层面的信息，如数字活检、病理成像和基因组测序，可能会遗漏一些关键信息。作者团队另一项基于T2WI和DWI构建的多生存任务AI模型的研究同样准确预测了结直肠癌患者的局部复发、远处转移及总生存期，该模型与临床病理特征相结合时,预测准确性进一步提高40。两项研究共同突显了深度学习技术在优化结直肠癌预后评估方面的潜力，但这两项研究样本量有限,回顾性数据收集和单中心设计可能带来的固有偏差和隐含混杂因素。以上研究表明，基于医学影像数据的深度学习模型在提高局部进展期结直肠癌患者的风险分层和预后预测方面具有重要价值，为临床治疗决策和效益量化提供了实证基础揭示了多参数MRl影像在预后预测任务中的潜在价值，突显了
25、集成临床病理因素和基因组信息等多源数据增强预测准确性的重要性。2.基于病理的预后预测：临床上，病理可以提供关于肿瘤大小、浸润深度、淋巴结或远处转移、组织类型、分级、分子标志物和手术切缘状态等关键信息，因此在预测结直肠癌患者的预后方面具有重要作用。相比术前病理活检，术后病理能提供更完整和准确的肿瘤信息，包括肿瘤全貌、侵犯深度和淋巴结转移情况，对预后评估至关重要。为了探究CNN是否可以从病理图像中提取预后预测因子，Kather等41使用CNN从结直肠癌患者的苏木精-伊红（HE）染色组织切片中提取了预后相关生物标志物。该研究基于超过十万个HE图像块通过迁移学习训练CNN,在一个包含7180个图像块的
26、独立数据集中对生存预测达到了94.3%的准确率。该研究在癌症基因组图谱上收集HE图像，基于CNN计算了一个深度基质评分，并在一个德国多个机构中招募的409例IIV期结直肠癌患者的独立队列中得到了验证。该研究表明，基于组织病理图像的CNN在评估肿瘤微环境并预测预后方面存在重要价值。然而，一方面，作为一项回顾性研究，其结果需要通过前瞻性研究进行验证，以确保其在常规临床使用中的有效性；另一方面，肿瘤区域从组织学全切片图像中手动提取，可能引入了主观性和误差。在此背景下，作者团队与广东省分子肿瘤病理重点实验室合作研究，提出了基于人工神经网络和全视野数字切片图像的预后预测模型42。该研究提出了一种用于预测
27、结直肠癌患者生存的无监督深度学习网络，并构建列线图研究深度学习特征(deeplearningsignature,DLS)对TNM分期在个体化结果预测方面的增量价值，结果显示，在训练集和验证集中QLS与无病生存和总生存均相关,与TNM分期相比，整合DLS和临床病理因素显示出更好的效果(验证集C-index:无病生存率：0.748;总体生存率：0.794X在接受3个月治疗的患者亚组中，高DLS者DFS较短。基于全视野数字切片图像的DLS改善了风险分层,有助于识别可能从延长化疗时间中获益的局部进展期结直肠癌患者。以上研究成果提示，深度学习技术在解析大规模病理图像数据、提取有价值的预测特征和优化结直肠
28、癌风险分层方面的重要应用潜力。通过基于病理的DLS,为结直肠癌患者的个体化治疗和风险管理提供了有益的新视角和实用工具。未来的研究可能需要探讨如何将新的生物标志物和基因变异信息融入到现有的预测模型中，以进一步提高预测的准确性和临床价值。四、展望与挑战经过数十年的发展，AI在医疗领域的应用日益广泛，涌现出大量阶段性研究成果，本文以结直肠癌为例，介绍了AI理论和技术在术前、术中以及术后全诊疗流程中应用的国内外研究成果。AI作为一种临床应用成本低、非侵入性的技术，它的应用不仅辅助医生提升了手术的精确性和安全性，还为治疗决策提供了数据驱动的支持。通过术前对新辅助治疗效果的预测，筛选出对新辅助治疗不敏感的
29、患者，从而减少不必要的医疗干预，避免医疗资源的浪费并降低患者负担。术中引入AI辅助手术导航实时分析数据并提供实时反馈和导航，为医生提供决策支持，从而提高手术的成功率并减少吻合口并发症的发生。术后引入AI综合分析临床、影像、病理以及生物标志物等多维数据进行预后预测，有助于指导术后临床决策、改善患者预后和医疗资源优化配置。通用医学AI概念的提出，预示着AI大模型可能对医疗服务和研究方法带来根本性改变42。此类模型通过大型、多样化的数据集自主学习实现灵活解读医学数据，进而适应不同临床环境下的多样化任务，且只需少量或无需特定任务的标记数据。但这一进步尚未广泛渗透到医学Al中，部分原因在于通用大模型对算
30、力的高要求，这就导致通用医学AI高性能计算系统的开发需要昂贵的硬件和更多的能源消耗以及专业人员的操作和维护，限制了模型的普及和可接近性。现有的AI算法普遍存在诸如难以泛化到复杂的医学数据集和彳壬务中、高度依赖大量标注数据，对数据集的规模和质量要求严格等问题43。因此，可重复使用且高度灵活的医学AI大模型能为智能医学诊断带来新的活力。通用医学AI大模型可能会为下游任务提供更好的特征编码与知识表征，通过下游特异性模型的构建与优化来适应新任务，接受和产出多种数据模式，以及形式化地代表医学知识，实现推理和解释。但要实现这些目标，还必须克服一系列挑战，如确保模型准确性、处理多模态输入输出、动态任务规范的
31、能力，以及建立严格的验证和监管机制确保患者隐私保护、匿名性保持以及数据安全。基于上述国内外研究进展，我们认为现行的AI模型存在以下局限性:(1)在分析术前MRl影像时,AI模型可能产生高精度但低解释性的结果(2)训练数据不够丰富或存在偏差时，会影响模型的准确性和泛化能力；(3)AI在结直肠癌术中辅助上尚未发挥其全部潜力；(4)距离开发出稳健、经过临床验证的AI工具还有很长一段路。尽管存在这些挑战，AI技术在结直肠癌术中辅助应用中的潜力仍然巨大。我们认为，当前结直肠癌术中辅助的AI应用需要解决准确性、泛化能力和与现有医疗流程集成等问题。现阶段术中导航主要依赖于ICG等荧光成像技术，未来AI可以通
32、过图像高分辨重建深度学习模型，如全梯度损失超分辨率生成对抗网络，从低分辨率荧光图像中学习并提取细节信息，从而生成高分辨率图像实现图像增强，再由三维图像分析神经网络如3D卷积神经网络及ViT对图像进行三维分析，最后由时序信号物理模型拟合注意力机制的帧间编码实现数据编码，进而实现术中实时辅助模型的构建。此外，尽管已有研究证实，ICG荧光导航结合AI在某些方面上表现出优越性，但其特异性尚显不足，仅依赖荧光导航视频可能无法提供充足的实时和全面的决策支持。因此，我们认为，未来的挑战还在于整合复杂的数据集，跨多个时间点和组学层面,如影像、病理和术中视频，以完善结直肠癌治疗过程中的决策过程。AI在结直肠癌诊
33、疗辅助应用的研究应向着术前与术中相结合的方向发展,术前MRI影像可以提供详尽的结构和病理信息。MRI影像可以显示肿瘤、淋巴结的位置和大小，进而补充患者的解剖结构和肿瘤的精确位置信息。因此，基于AI的术前术中信息深层次交互多模态融合架构有望为外科医生提供实时、高精度的可视化信息。同时，这种实时、多模态的融合框架有望改变医学实践方式，推动结直肠癌个体化精准医疗的发展。在此背景下，结合多中心、前瞻性的数据收集，使这种架构更好地适应多样化的患者群体与临床环境。参考文献1 CiardielloF,CiardielloD,MartiniG,etal.Clinicalmanagementofmetastat
34、iccolorectalcancerintheeraofprecisionmedicineJ.CACancerJClin,2022,72(4):372-401.DOI:10.3322caac.21728.2 GaneshK,StadlerZK,CercekA,etal.Immunotherapyincolorectalcancer:rationale,challengesandpotentialJ.NatRevGastroenterolHepatol,2019,16(6):361-375.DOI:10.1038s41575-019-0126-x.3 MorrisVKrKennedyEB1Bax
35、terNN,etal.TreatmentofMetastaticColorectalCancer:ASCOGuidelineJ.JClinOncol,2023,41(3):678-700.DOI:10.1200JC0.22.01690.4 ShinJ,SeoN,BaekSE,etal.MRIradiomicsmodelpredictspathologiccompleteresponseofrectalcancerfollowingchemoradiotherapyJ.Radiology,2022,303:351-358.DOI:10.1148radiol.211986.5 FokasE,Lie
36、rschT1FietkauR,etal.Tumorregressiongradingafterpreoperativechemoradiotherapyforlocallyadvancedrectalcarcinomarevisited:updatedresultsoftheCAO/ARO/AIO-94trialJ.JClinOncol,2014,32(15):1554-1562.DOI:10.1200JC0.2013.54.3769.6 vanGijnW,MarijnenCA,NagtegaalID,etal.Preoperativeradiotherapycombinedwithtotal
37、mesorectaIexcisionforresectablerectalcancer:12-yearfollow-upofthemulticentre,randomisedcontrolledTMEtrialJ.LancetOncol,2011.12(6):575-582.DOI:10.1016S1470-2045(11)70097-3.7 HaenleinMichael,KaplanAndreas.Abriefhistoryofartificialintelligence:onthepast,present,andfutureofartificialintelligenceJ.Califo
38、rniaManagementReview,2019,61(4):5-14.DOI:10.1177/0008125619864925.8 ShaoZ,ZhaoRYYuanS,etal.TracingtheevolutionofAIinthepastdecadeandforecastingtheemergingtrendsJ.ExpertSystApplr2022r209:118221.DOI:10.1016j.eswa.2022.1182219 AreiaM,MoriY,CorrealeLetal.Cost-effectivenessofartificialintelligenceforscre
39、eningcolonoscopy:amodellingstdyJ.LancetDigitHealth,2022r4(6)re436-e444.DOI:10.1016S2589-75(22)00042-5.10 WuQY1LiuSLSunRetal.EstablishmentandclinicalapplicationvalueofanautomaticdiagnosisplatformforrectalcancerT-stagingbasedonadeepneuralnetworkJ.ChinMedJ(Engl),2021,134(7):821-828.DOI:10.1097CM9.00000
40、000001401.11 WangRLiuXG,KangM,etal.Artificialintelligenceempowersthesecond-observerstrategyforcolonoscopy:arandomizedclinicaltrialJ.GastroenterolRep(Oxf),2023,11:goac081.DOI:10.1093gastrogoac081.12 HaiderA,ArsalanM,NamSH1etal.Multi-scalefeatureretentionandaggregationforcolorectalcancerdiagnosisusing
41、gastrointestinalimagesJ.EngApplArtifIntell12023,125.DOI:10.1016j.engappai.2023.10674913 KitaguchiD,LeeY,HayashiK,etal.Developmentandvalidationofamodelforlaparoscopiccolorectalsurgicalinstrumentrecognitionusingconvolutionalneuralnetwork-basedinstancesegmentationandvideosoflaparoscopicproceduresJ.JAMA
42、NetwOpen,2022,5(8):e2226265.DOI:10.1001Zjamanetworkopen.2022.26265.14 KitaguchiD,TakeshitaN,MatsuzakiH,etal.Automatedlaparoscopiccolorectalsurgeryworkflowrecognitionusingartificialintelligence:experimentalresearchJ.IntJSurgr2020,79:88-94.DOI:10.1016j.ijsu.2020.05.015.15 QueroG1MascagniRKolbingerFR,e
43、tal.ArtificialIntelligenceincolorectalcancersurgerypresentandfutureperspectivesJ.Cancers(Basel),2022,14(15):3803.DOI:10.3390cancers14153803.16 ElementoO,LeslieC,LundinJ,etal.Artificialintelligenceincancerresearch,diagnosisandtherapy(J.NatRevCancer,2021,21(12):747-752.DOI:10.1038s41568-021-00399-1.17
44、 SunY,HuRWangJtetal.RadiomicfeaturesofpretreatmentMRIcouldidentifyTstageinpatientswithrectalcancer:preliminaryfindingsJ.JMagnResonImaging,2018,45(3):615-621.DOI:10.1002jjmri.25969.18JHouM,ZhouL,SunJ.Deep-learning-based3Dsuper-resolutionMRIradiomicsmodel:superiorpredictiveperformanceinpreoperativeT-s
45、tagingofrectalcancerJ.EurRadiol,2023,336：1-10.DOI:10.1007/s00330-022-08952-8.19 RothMT,EngC.NeoadjuvantchemotherapyforcoloncancerJ.Cancers(Basel),2020,12(9):2368.DOI:10.3390cancers12092368.20 ZhangXYWangL,ZhuHT1etal.Predictingrectalcancerresponsetoneoadjuvantchemoradiotherapyusingdeeplearningofdiffu
46、sionkurtosisMRI(J.Radiology,2020,296(1):56-64.DOI:10.1148radiol.2020190936.21 FengL,LiuZrLiC,etal.Developmentandvalidationofaradiopathomicsmodeltopredictpathologicalcompleteresponsetoneoadjuvantchemoradiotherapyinlocallyadvancedrectalcancer:amulticentreobservationalstudyJ.LancetDigitHealth,2022,4:e8
47、-e17DOI:10.1016S2589-7500(21)00215-6.22 GuoX,LiC,JiaX,etal.NIR-IIfluorescenceimaging-guidedcolorectalcancersurgerytargetingCEACAM5byananobodyJ.EBioMedidne,2023,89:104476.DOI:10.1016j.ebiom.2023.104476.23 TaoH,ZengX,LinW,etal.Indocyaninegreenfluorescenceimagingtolocalizeinsulinomaandprovidethree-dime
48、nsionaldemarcationforlaparoscopicenucleation:aretrospectivesingle-armcohortstudyJ.IntJSurgr2023,109(4):821-828.DOI:10.1097JS9.0000000000000319.24 RavenelM,JoliatGR1DemartinesN,etal.Machinelearningtopredictpostoperativecomplicationsafterdigestivesurgery:ascopingreviewJ.BrJSurgr2023,110(12):1646-1649.DOI:10.1093bjsznad229.25 QinQ1HuangB,WuA,etal.Developmentandvalidationofapost-radiotherapypredictionmodelforboweldysfunctionafterrectalcancerresectionJ.Gastroenterology,2023,165(6):1430-1442.DOI:10.1053j.gastro.2023.08.022.26 KokE,EppengaR,KuhlmannK,etal.Ac
