首页 > 资讯 > 多模态磁共振成像及影像组学评估直肠癌肿瘤出芽的研究进展

多模态磁共振成像及影像组学评估直肠癌肿瘤出芽的研究进展

泰然健康网
2025-08-26 01:17

0 引言

结直肠癌（colorectal cancer, CRC）已经成为危害生命健康的主要负担之一，在部分发达国家50岁以下人群中直肠癌发病率以每年1%~4%的速度增长[1]，在我国，CRC位居恶性肿瘤发病率第二位[2]，死亡率排第四位，从性别分布来看，男性发病率和女性死亡率均高居恶性肿瘤第二位[3]。随着检查技术的进步，CRC的早期发现和治疗已成为可能，患者的生存率得到了提高[4]。但临床观察发现，不同患者的预后仍存在差异，这促使研究者探索新的预后因素。

肿瘤出芽（tumor budding, TB）作为重要的病理学指标，与直肠癌患者的预后密切相关，美国癌症联合委员会（American Joint Committee on Cancer, AJCC）/国际抗癌联盟（Union for International Cancer Control, UICC）癌症分期指南已将TB列为直肠癌的附加预后因素[5]。有相关研究表明，在直肠癌患者中，TB分级与神经浸润、脉管侵犯、远处转移、复发率和死亡率均呈显著相关[6]。然而目前TB的评估主要依赖于病理，但病理活检有创、昂贵并会受到肿瘤时空异质性的限制，且小活检样本可能无法准确反映整个肿瘤的组织学特征[7]。因此，术前评估TB分级对于精准识别预后不良的患者群体、制定个性化治疗方案、改善患者预后具有重要临床意义。

近年来，影像技术及人工智能在术前直肠癌TB评估中发展迅速。扩散峰度成像（diffusion kurtosis imaging, DKI）通过非高斯扩散模型提升了微观结构检测敏感度；体素内不相干运动（intravoxel incoherent movement, IVIM）成像通过双指数模型补充微循环功能信息；动态对比增强MRI（dynamic contrast enhanced MRI, DCE-MRI）能评估病灶微血管系统特性，反映血管的通透性及组织灌注水平；酰胺质子转移加权（amide proton transfer weighted, APTw）成像通过检测内源性蛋白质实现分子水平评估；影像组学实现多模态特征量化整合；深度学习（deep learning, DL）通过自适应特征学习优化分析流程。以上技术被应用于直肠癌TB的术前评估，并取得了良好的预测价值。然而，当前仍面临一些挑战，如成像时间长、易受伪影影响、成像参数的标准化和可重复性差、分辨率不足、影像组学特征的临床验证不足，以及人工智能算法的可解释性差等。未来的发展方向包括成像技术的优化、多模态影像技术的融合以及基于大数据的影像组学研究等。近1~2年未见相关综述涉及这一领域，因此，本综述旨在系统梳理MRI技术及人工智能在直肠癌TB术前评估中的应用现状，分析其优势与挑战，以期为未来研究提供方向。

1 直肠癌TB相关病理及临床意义

TB是各种高度恶性的实体肿瘤的常见病理学指标，通常是指存在于肿瘤浸润前缘、散在的呈未分化形态的单个肿瘤细胞或由4个以内肿瘤细胞构成的小灶状肿瘤细胞群[8]。TB是肿瘤微环境的一部分，并与上皮-间质转化（epithelial-mesenchymal transition, EMT）相关。EMT是上皮细胞失去粘附性并获得间质细胞特性，进而获得迁移和侵袭能力的过程，这一过程在肿瘤发展中起着关键作用，使肿瘤细胞能够侵入周围基质，形成促进肿瘤生长和转移的微环境。

有相关研究表明，与低级别TB（1~2级）患者相比，高级别TB（3级）患者表现出更高的血管浸润率（28.2% vs. 15.3%）、静脉浸润率（25.6% vs. 8.5%）和远处转移率（33.3% vs. 5.0%）[6]。YAMADERA等[9]研究者通过对两个独立队列（分别为203例和346例CRC患者）的研究发现，在低级别TB患者中，接受辅助治疗组的肿瘤特异性生存率优于单纯手术组，而高级别TB患者并未从化疗中获益。因此在术前有效识别高级别TB个体有助于指导临床治疗方案的制订。

2 MRI技术评估直肠癌TB的价值

近年来，功能MRI技术取得了显著进展，并已成为直肠癌基线分期和治疗计划制定的关键组成部分[10]。在评估原发肿瘤和局部淋巴结的基础上，还可通过检测高风险特征来辅助进行风险分层[11]，从而优化治疗策略。目前，关于直肠癌TB的术前评估受到越来越多的关注。

2.1 扩散加权成像及其相关技术

2.1.1 高级扩散序列

IVIM通过使用多b值，能够将水分子纯粹的扩散运动与灌注相关的伪扩散效应区分开来，从而无需依赖对比剂即可评估组织灌注情况[12]。有研究发现[13]，IVIM模型具有很高的可重复性，由于其参数稳健，可以作为一种可靠的定量工具。朱丽平等[14]研究发现单纯扩散系数（D）和灌注分数（f）与直肠癌TB等级呈负相关（P<0.05）；参数D能够特异性表征水分子在组织内的真实扩散特性，中高级别TB组D值较低的原因可能是高级别组肿瘤细胞密度更高，导致细胞外间隙缩小，限制了水分子的自由扩散运动，此外，肿瘤微环境改变可能进一步降低局部微循环的灌注速度，导致D值减低[15]。与此同时，中高级别TB组肿瘤内新生血管生成活跃，导致新生血管密度过高，且结构异常[16]，加上肿瘤间质高压状态，共同导致血管成熟障碍，从而肿瘤局部出现微小坏死区，最终导致局部微区域灌注不足[17]，在影像上表现为f减低。在朱丽平等[14]的研究中，表观扩散系数（apparent diffusion coefficient, ADC）值与TB等级呈正相关趋势，而灌注相关扩散系数（D*）值与TB等级呈负相关趋势（P>0.05），这可能与TB灶内血流速度异质性（快-慢血流混合）导致D*拟合误差有关。D*反映的是微血管内血流的伪扩散效应，其值受血流速度、血管几何结构（如血管直径、迂曲度）及血流方向性的影响。尽管IVIM技术在直肠癌TB评估中显示出潜力，但在实际应用中仍面临诸多挑战。IVIM成像对运动伪影较为敏感，为解决这一问题，压缩感知（compressed sensing, CS）技术通过随机欠采样k空间数据并结合稀疏重建算法（如迭代优化），可在减少扫描时间的同时保留图像信噪比。HUANG等[18]提出一种基于核化总差分曲线的IVIM参数重建方法，该方法获得的IVIM参数估计值均接近参考值，可以有效降低伪扩散系数的高估现象，并提升IVIM参数图的质量。此外，参数估计的不确定性也是影响IVIM技术应用的重要因素，贝叶斯拟合等先进算法可通过引入先验分布约束参数范围，优化参数估计，从而提高结果的可靠性。

DKI较扩散加权成像（diffusion-weighted imaging, DWI）能更准确表征生物组织内水分子的非高斯扩散特性，具有更高的精确度和敏感度，从而更敏感地反映肿瘤微观结构的复杂性变化，为疾病的精准量化评估提供优越的影像学依据[19]。陈安良等[20]回顾性纳入113例直肠癌患者，发现ADC、平均扩散系数（mean diffusivity, MD）、平均峰度系数（mean kurtosis, MK）预测TB分级的受试者工作特征曲线下面积（area under the curve, AUC）分别为0.805、0.816、0.880，研究表明MK预测直肠癌TB等级的诊断效能优于ADC及MD，差异具有统计学意义（P<0.05）。MK值与肿瘤内部复杂性呈正相关，高级别TB组肿瘤组织结构复杂，异质性明显，故其MK值高。ZHOU等[13]研究发现，MK是评估直肠癌恶性程度有前景的生物标志物，其升高与分化不良、淋巴结转移（lymph node metastasis, LNM）和壁外血管侵犯（extramural venous invasion, EMVI）相关，这些侵袭性特征正是高级别TB的典型病理表现。虽然DKI能更精准表征微观结构，但其临床应用仍受限于较长的扫描时间（需要多b值采集）以及复杂的后处理[21]。有研究提出了一种基于DL的方法[22]，使用DKI-Net模型和DKI-Transformer模型来估计DKI衍生的指标，DKI-Net模型利用残差特性提取准确且丰富的特征信息块，并精确估计体素，而DKI-Transformer模型能够提取全局体素相关特征，两者结合可显著缩短处理时间，同时保持较高的结构相似性。同时，ROI勾画对MK值影响显著，直肠癌TB灶常为局灶性分布，而DKI体素较大，易受部分容积效应干扰，建议结合高分辨率T2WI引导靶向勾画。未来研究需着重开发人工智能自动化分析流程，以进一步挖掘DKI数据中的潜在信息，为直肠癌的精准诊断和治疗提供更有力的支持。

2.1.2 b阈值图

基于DWI图像生成的b阈值图是一种新型扩散对比成像技术[23]。在前列腺癌、乳腺癌和直肠癌病灶显影中展现出优于传统DWI的成像效果，能提升病灶与正常组织的信号对比度[24, 25]，提供了更高的对比噪声比（contrast-to-noise ratio, CNR）。该方法作为DWI和ADC的重要补充，改进了直肠肿瘤的可视化和检测。在CHEN等[26]的研究中，利用b阈值图和ADC图来术前评估TB分级，纳入51例局部进展期直肠癌（locally advanced rectal cancer, LARC）患者，结果发现b阈值图评估直肠癌TB分级的AUC显著高于ADC图（0.914 vs. 0.726；P=0.048），且与TB分级呈显著正相关（P<0.05）。

研究表明，b阈值图有更优的成像效果、更高的信号对比度及更高的诊断效能。但是，不同研究在b值选取及ROI勾画等方面存在差异，导致b阈值图参数的稳定性和可重复性受到影响。其次，b阈值图不是常规MRI序列之一，且图像分辨率不如T2WI序列，故其应用受到限制。未来可开发高分辨率DWI序列以提升b阈值图质量，推动临床实用性。再者，CHEN等[26]的研究样本量较小且为单中心研究，存在选择偏倚风险，未来的研究需要更大规模样本的多中心前瞻性研究来验证b阈值图的价值。

2.2 灌注与代谢成像

2.2.1 DCE-MRI

DCE-MRI通过利用快速扫描序列，对注入对比剂后的感兴趣区进行连续扫描，并结合后处理技术获取多种灌注参数，作为一种功能成像技术，其能评估正常组织及病灶微血管系统特性，同时反映血管的通透性及组织灌注水平[27]。周振等[28]对72例LARC患者的回顾性研究表明，DCE-MRI灌注参数中正性增强积分（PEI）和最大上升斜率（MSI）与TB等级呈正相关（P<0.05）。高级别TB提示肿瘤更具侵袭性，在病理上表现为更显著的细胞异型性，细胞向梭形转变，呈现间充质样表型，此时肿瘤伴随着更高的增殖活性和细胞密度增加[29]，这种高代谢状态促使肿瘤新生血管形成，导致微循环血容量和血流速度增加，从而在DCE-MRI上表现为PEI和MSI的特征性升高。目前，基于DCE-MRI对TB的研究仍较为有限，其临床应用价值尚需通过大样本多中心的研究进一步验证。该技术在实际临床应用中仍存在一些挑战。DCE-MRI的扫描参数如对比剂的注射速度、剂量及扫描时间间隔等对结果影响均较大。例如，对比剂注射速度过快可能导致对比剂在组织中分布不均匀，影响灌注参数的准确性[30]。后处理过程中，动脉输入函数（artery input function, AIF）的定义方法和药代动力学模型的选择等步骤都可能引入误差，AIF的准确性直接影响到定量参数的计算，而手动勾画AIF可能存在主观性误差[31]。与此同时，DCE-MRI数据处理涉及多个步骤，如图像校正、ROI选取及定量参数计算等。目前，这些步骤的处理方法尚未完全统一，不同的研究可能采用不同的处理流程，导致结果难以比较。因此，未来需要将扫描设备和参数进行标准化，建立统一的数据处理流程，包括一致的图像校正方法、ROI选取标准和定量参数计算公式。

2.2.2 APTw

APTw成像基于化学交换饱和转移技术[32]，是一种在分子水平上实现的MRI方法，可无创评估病灶内游离蛋白质的含量，并通过对比肿瘤与正常组织中游离蛋白质含量的差异来分析病灶[33]。ZHANG等[34]首次提出该技术时指出，由于游离蛋白质及多肽中的酰胺基团含有NH基团——这些基团由氢质子构成，因此可通过APT方法对内源性运动蛋白及多肽中的酰胺质子进行半定量检测。在杜云霞等[35]的研究中发现APT、ADC及两者联合评估直肠癌TB等级的AUC分别为0.916、0.821、0.918，APT方法显示出良好的预测效能。此外，XIE等[32]研究发现通过K均值聚类（K=5）对APTw图像进行亚区域分析，可有效区分直肠癌肿瘤异质性，其提取的直方图特征对TB分级具有良好的预测价值（AUC=0.92）。以上研究表明APTw-MRI技术具有较高的预测效率，但APTw成像在实际操作中还存在一些困难，射频饱和模块的参数设置对APTw信号的强度和对比度有显著影响。不同的射频饱和方法、饱和时间和射频场强度等参数的选择都需要根据具体的临床应用进行优化[36]。同时，数据采集和处理过程中的噪声及运动伪影等也会对成像质量产生影响[37]。因此，未来的研究需要进一步优化成像方案、开发先进的成像算法，在缩短成像时间的同时提供足够的空间分辨率和信噪比，提高临床应用的可行性，降低对设备性能的依赖。

3 人工智能

3.1 传统影像组学

影像组学是一种从医学影像中高通量提取定量特征的技术。它通过挖掘图像中超出人眼识别范围的潜在信息，揭示病灶的定量生物学特征。通过对这些影像特征的深入分析，可以量化肿瘤微环境，从而实现对CRC的无创、动态、多病灶的早期诊断、疗效评估及预后预测[38]。因此，利用MRI影像组学技术构建预测模型，以术前评估直肠癌TB等级，具有较高的可行性和临床应用潜力。

LI等[39]通过T2WI、CE-T1WI、DWI构建影像组学模型来预测直肠癌TB等级，得出多序列组合的影像组学模型性能最佳，AUC为0.796，在验证集中的准确率达到81.2%，展示了良好的预测效能，但他的研究局限于LARC。PENG等[40]的研究进一步扩大了研究范围，纳入了所有分期的直肠癌患者，发现整合影像组学特征和MRI语义特征的联合模型显示出优良的预测效能，其AUC在训练集和验证集中分别为0.961和0.891，决策曲线分析显示，在绝大多数阈值概率下，组合模型的净效益均优于其他模型，能在个体化治疗决策中提供支持。

此外，在算法优化方面，QU等[41]的研究将所选影像组学特征分别与八种分类算法结合使用：逻辑回归（LR）、K-最近邻（KNN）、极端随机树（ET）、随机森林（RF）、极限梯度提升（XGBoost）、支持向量机（SVM）、轻量级梯度提升机（LightGBM）以及多层感知器（MLP），结果发现SVM的诊断性能最好，其在验证集中的准确率、敏感度和特异度分别为71.3%、57.9%和80.4%，这与LI等[39]的研究一致，这可能是由于SVM算法具有鲁棒性、稳定性和良好的泛化能力，能够在一定程度上避免过拟合。

不难发现，基于MRI的影像组学模型在预测直肠癌的TB等级中展现出显著潜力，这可能归因于影像组学能够定量分析并关联与TB分级相关的图像特征，从而通过复杂的计算方法捕捉到肉眼无法区分的肿瘤异质性因素。然而，目前多数研究在实际应用中仍面临诸多挑战。首先，不同中心MRI设备参数差异（1.5 T vs. 3.0 T）、层厚（0.8~3.0 mm）及扫描协议（DWI序列b值范围）导致特征可比性下降。其次，影像组学研究通常包括数据收集、图像分割、特征提取和模型建立四个阶段。在数据收集阶段，为避免过多特征组建的模型产生过拟合现象，数据集应尽可能包含更多的样本量，然而，目前大多数研究为单中心、回顾性研究，普遍存在样本量较小的问题，且缺乏前瞻性外部验证。在特征提取阶段，采用不同的图像预处理及图像重建方法，可能得到不同的影像组学特征。COBO等[42]的研究表明，在CT影像中，重建内核或切片厚度等扫描参数会影响影像组学纹理特征，由此凸显了图像标准化的重要性。因此，制定统一扫描协议，扩大多中心前瞻性验证，开发自动化分割算法，整合多模态MRI参数（如APTw、DKI及IVIM）构建综合评估模型，有望进一步提高术前评估直肠癌TB分级的准确性。

3.2 DL

最近的研究表明[43]，与传统的放射组学方法相比，基于DL的数据驱动方法可以精确模拟跨成像模态的特定领域特征，并实现不同模态间的图像合成。此外，DL能够通过迁移适配将特定任务中获得的知识迁移至相关任务，从而提升目标任务的性能。这些优势极大地推动了医学图像合成技术的临床应用，并显著提高了合成图像的性能表现[44]。这样就能在分子水平上更全面地探索肿瘤生物学特征，评估更深层次的组织病理特征，从而提供更好的预测性能和泛化能力[45]。一项荟萃分析发现，在评估CRC患者LNM方面的性能上，与传统影像组学模型相比，使用DL模型作为诊断工具时，其AUC高达0.917[46]，证明基于DL的图像分割和特征提取技术可以提高影像组学预测模型的准确性和可重复性。

卷积神经网络（convolutional neural networks, CNN）是DL应用中的主要算法模型，随着其在医学图像中的应用，VGGNet、ResNet、GoogleNet和DenseNet等一系列里程碑式CNN模型相继涌现[47]。LIU等[48]构建了一个基于CT及MRI多模态深度迁移学习模型方法来术前评估直肠癌TB状态，并将其与临床模型相结合，集成模型实现了最佳性能，内部验证队列的AUC为0.898，外部验证队列的AUC为0.868，在研究中采用六种迁移学习模型（包括DenseNet 121、ResNet 18、ResNet 34、ResNet 50、ResNet 101和Vgg11），在这些模型中，Vgg11模型相较于其他经典CNN模型展现出更强的泛化能力和预测性能，可能是由于Vgg11模型相对简单的结构和较少的参数量，有助于降低小样本数据集或简单任务中的过拟合风险，这一特性使其在实际临床应用中可能更具优势[49]。此外，LIU等[48]还通过Grad-CAM可视化技术发现，Vgg11模型能有效凸显直肠癌图像中的肿瘤边界模糊和形状不规则等TB相关特征。TANG等[50]分别从术前基于CT的细胞外容积（extracellular volume fraction, ECV）参数图像和静脉期图像中提取并筛选DL特征和手工影像组学（handcrafted radiomics, HCR）特征，其中DL特征利用ResNet 50模型提取，通过整合两组图像中的DL特征和HCR特征，建立了DL和影像组学模型来术前预测TB等级，研究表明与仅依赖HCR或DL特征的模型相比，结合这两个特征的模型具有更强的诊断能力，在训练队列和测试队列中，AUC值分别为0.976和0.976，优于基于单纯DL或HCR的模型（P<0.05），可以更全面地反映直肠癌病灶的异质性。与既往基于MRI的研究不同，TANG等[50]创新性地采用了基于ECV参数的DL模型来预测直肠癌TB等级，这可能与恶性肿瘤组织血管外ECV分数与肿瘤侵袭性密切相关，其能通过精确定量病灶区域的细胞外间质含量[51]，来客观反映肿瘤微环境特征，为术前无创评估直肠癌TB分级提供了新思路。

Transformer架构是一种基于自注意力机制的DL模型架构，最初应用于自然语言处理领域，利用自注意力机制捕捉长距离依赖关系，使模型能够关注输入序列中的所有元素，从而获得更好的性能[52]。在JIA等[53]关于评估直肠癌TB分级的研究中，采用CrossFormer作为DL模型的核心，作为一种改进的Transformer架构，CrossFormer创新性地引入了跨尺度注意力机制与分层特征融合策略，通过动态调节感受野并建立不同层级间的长程依赖关系，该架构显著提升了模型捕捉多尺度特征的能力。JIA等[53]的研究基于3D肿瘤分割掩模，通过提取最大层面及其相邻上下层影像数据构建ROI，形成三通道2.5D输入方法，这种融合相邻层面信息的输入策略，不仅使模型能更有效地捕捉空间上下文特征，显著提升对复杂解剖结构的表征能力，同时降低了计算复杂性，使其适用于大规模影像数据处理[54]，在其研究中，集成模型表现出优异的性能，在内部验证队列中AUC值为0.868，在外部验证队列中为0.839。与Vgg11等传统CNN相比，CrossFormer是一种基于自注意力的网络架构，凭借其自适应特征加权和全局建模能力，可以有效地捕获T2WI和DWI图像中的远程空间信息并进行多模态特征学习。但是JIA等[53]的研究只使用了2.5D输入，这不可避免地导致了一些图像信息的遗漏。相比之下，LIU等[55]采用了3D ViT（vision transformer）DL模型来术前预测直肠癌TB分级，3D ViT模型通过直接处理3D MRI数据，克服了传统2D切片方法导致的空间信息丢失问题。其独特的自注意力机制能够捕捉肿瘤在三维空间中的全局特征，为TB分级提供了更精准的DL特征，其在训练队列、内部测试队列和外部测试队列中的AUC分别为0.896、0.796和0.762，均高于组学模型0.754、0.626和0.614。以上研究表明Transformer架构及其改进版本（如CrossFormer）在直肠癌TB评估中展现了优越的诊断效能。

DL在直肠癌TB评估中展现出优势，其通过自动特征提取和多模态数据融合能力，已实现优异的预测性能。然而，临床转化仍面临数据依赖性、计算成本高和可解释性差等挑战。ZHOU等[56]指出，随着数据规模的增长和任务复杂性的提高，CNN架构逐渐暴露出计算效率和处理能力的瓶颈，例如大规模数据集训练耗时过长、特征提取效果受限以及在复杂任务中模型泛化能力不足等问题，为此，ZHOU等[56]提出了一种优化的多流CNN（multi-stream CNN, MSCNN）模型，通过引入路径注意力机制和特征共享模块，显著提高了路径间的信息交互和特征融合效率，结果表明，在许多指标上优于当前主流模型，在医学图像数据集上，其抗噪声性、遮挡敏感性和样本攻击抗性分别为0.931、0.950和0.709，为提高DL模型的效率提供了新的技术支持。此外，开发可视化工具（如Grad-CAM）可增强模型透明度。未来，临床验证研究需开展大规模多中心前瞻性研究，以全面评估模型的泛化能力和稳定性。同时，应建立统一的数据标准和质量控制体系，规范数据收集、处理和分析流程。此外，还需加强模型临床实用性评估，探索其与现有医疗信息系统的整合。最后，应关注模型的持续更新和优化，以快速将新技术应用于临床实践。

4 各技术的对比分析

直肠癌TB的术前评估体系中，DKI通过非高斯扩散模型突破了传统DWI的局限，可更敏感地检测直肠癌微观结构异质性，但其对磁场均匀性和信噪比的高要求促使了IVIM技术的引入。IVIM通过双指数模型分离扩散与灌注参数，在结构评估基础上补充了微循环功能信息，不过其易受到呼吸运动干扰，需要通过加速采样技术优化，参数估计的不确定性则需通过贝叶斯拟合等先进算法优化。DCE-MRI提供了可靠的药代动力学验证，但受限于对比剂肾毒性风险和个体血流差异[57]，其对比剂依赖性促使无创替代技术发展；与此同时，APTw通过检测内源性蛋白质实现了分子水平评估[33]，与DCE-MRI形成功能-分子互补评估，不过其对成像硬件的高要求仍是当前技术瓶颈。在此过程中，影像组学实现了多模态特征的量化整合，而DL则进一步通过自适应特征学习优化了分析流程，尽管人工智能存在可解释性挑战，但这些技术的协同创新正推动直肠癌TB评估从单一参数向多维度智能诊断转变。未来需要通过多中心研究验证技术组合的临床价值，最终建立基于TB风险分层的精准诊疗体系。

5 不足与展望

尽管应用多模态MRI技术和影像组学评估直肠癌TB方面已取得一定进展，但仍存在一些亟待解决的问题。首先，现有MRI空间分辨率不足难以清晰捕捉微小TB特征，且成像时间长，易受伪影影响及成像参数标准化难以统一。此外，人工智能算法可解释性差、依赖高质量数据及计算成本高。

为了实现对直肠癌TB的精准评估，未来研究需要注意以下方面：（1）优化成像技术，超高场强MRI（7 T及以上）结合压缩感知加速技术有望突破现有分辨率限制，实现亚毫米级成像；基于四维流体力学的磁共振弹性成像（magnetic resonance elastography, MRE）通过量化肿瘤硬度，结合剪切波算法有望优化TB区域识别；谷氨酸化学交换饱和转移成像技术通过检测肿瘤内特定代谢物浓度，可反映与TB相关的蛋白代谢异常。（2）加强构建多模态成像技术联合模型的研究。（3）优化影像组学及DL模型，以提高诊断效能。（4）生境分析技术可构建空间异质性图谱，有望精确定位TB活跃区域。（5）统一扫描协议及数据处理流程，提高模型的泛化能力。

6 总结

直肠癌TB作为一种关键的预后指标，其精准评估对临床决策具有指导意义。MRI技术不仅能提供优异的软组织对比度，更能从微循环灌注、细胞密度等多维度解析肿瘤异质性。结合影像组学高通量提取的定量特征及DL算法，已初步实现了TB分级预测模型的构建，为临床诊断和预后提供了有力支持。未来要实现临床常规应用，首先，应扩大样本量，构建多中心、多样化的患者队列，以充分验证模型的泛化能力，通过统一MRI扫描协议和特征提取流程提升模型泛化能力；同时应开展多中心前瞻性研究，重点验证模型对直肠癌TB无创性评估的预测效能，关注其对治疗决策和患者预后的实际影响；最后，在技术整合上，应探索多模态数据（如APTw、DKI）的深度融合策略，建立基于分子层面的TB风险分层系统，实现从影像采集到TB自动分级的全流程优化。以期为患者提供精准、个性化治疗策略，进而改善预后。