2026.11.11 该研究开发并前瞻性多中心验证了融合治疗后MRI影像组学与临床病理指标的可解释AI模型RAPIDS-II，能精准预测局部晚期直肠癌病理完全缓解并显著提升低年资放射科医生的诊断效能。 Title题目 01 可解释人工智能辅助预测局部晚期直肠癌新辅助放化疗后病理完全缓解：前瞻性、多中心、人机交互研究 Interpretable Artificial Intelligence in Assisting Treatment Response Prediction for Locally Advanced Rectal Cancer After Neoadjuvant Chemoradiotherapy: A Prospective, Multicenter, Human-Model Interaction Study 文献速递介绍 02 局部晚期直肠癌的标准治疗方案为新辅助放化疗后行全直肠系膜切除术，约15%至27%的患者可获得病理完全缓解（pCR），具备优异的远期预后。对于该亚群患者，采取等待观察等器官保留策略可避免手术创伤和并发症并保护肛门功能，因而准确评估治疗反应至关重要。高分辨率MRI作为评估金标准难以准确区分治疗后纤维化与微小残留病灶，导致放射科医生人工读片敏感度欠佳。既往影像组学预测模型多依赖新辅助治疗前MRI，无法体现治疗过程中的动态修饰效应，且缺乏真实世界前瞻性验证与模型透明解释度。为此，作者团队开展了RAPIDS-II模型研究，旨在整合新辅助治疗后MRI与临床病理指标，借助SHAP可解释性工具，前瞻性评估AI辅助医生判断pCR的临床潜能。 Aastract摘要 03 本研究旨在解决局部晚期直肠癌新辅助治疗后病理完全缓解评估缺乏前瞻性验证与模型透明度的临床痛点。研究人员基于治疗后多参数MRI提取的影像组学特征构建深度残差收缩网络以生成影像评分，并结合关键临床病理指标开发了多模态融合模型RAPIDS-II。该模型在回顾性测试集和多中心前瞻性临床验证队列中均展现出良好的预测准确率（测试集AUC为0.813，前瞻性验证集AUC为0.795）。人机交互评估显示，RAPIDS-II辅助显著提高了放射科医生尤其是低年资医生的诊断灵敏度与整体AUC。结合SHAP分析，该模型实现了像素级与个体层面的决策透明解释，展现出辅助临床制定直肠癌个体化器官保留决策的重大应用价值。 Method方法 04 研究回顾性收集了823例局部晚期直肠癌患者（随机分为575例训练集与248例测试集），并前瞻性入组207例新患者进行外部验证。利用治疗后T2WI、DCE和DWI三序列图像由放射科医生双盲勾画整个瘤床ROI，提取944个影像组学特征。经组内相关系数评估可重复性、相关性分析与弹性网络降维筛选出19个核心特征，并构建深度残差收缩网络生成预测pCR的Radscore评分。多因素分析确定cT、cN分期及新辅助治疗前后CEA水平为独立预测因子，进一步利用XGBoost算法将Radscore与临床病理因素融合成RAPIDS-II模型。研究通过SHAP算法对模型输出进行个体化归因及特征重要度排序，并对前3大影像组学特征进行像素级热图映射。前瞻性临床验证试验中，6位不同年资放射科医生盲态阅片，并对与AI预测不一致的病例进行再次评估以量化人机交互提升效益。 Discussion讨论 05 本研究证实新辅助治疗后MRI影像组学能够捕捉肉眼无法识别的微细组织纹理差异，有效克服了传统视觉评估对pCR低估的问题。RAPIDS-II模型相比先前仅依靠治疗前影像的模型更贴近治疗终局，能精准反映经新辅助方案调整后的实际退缩程度。与多数医疗AI缺乏临床互动验证不同，本研究通过前瞻性多中心设计证实了AI模型在辅助放射科医生尤其低年资医生方面的赋能价值，使年轻医生有望达到高年资医生的诊断水平。SHAP解释框架与像素级热图不仅提升了临床医生对预测结果的信任，还成功剖析了高CEA水平主导导致假阴性判定的决策原因。尽管存在全瘤床手动分割耗时较长、区分完全缓解与近完全缓解仍具挑战以及参与交互医生样本较小等局限，该模型在推进个性化精准诊疗方面展现出坚实基础。 Conclusion结论 06 融合新辅助治疗后多参数MRI影像组学与关键临床病理特征的RAPIDS-II模型，在局部晚期直肠癌病理完全缓解评估中表现出高准确度与优异的鲁棒性。该模型通过SHAP分析提供了个体级与像素级决策可解释性，并经前瞻性多中心试验证实能显著赋能临床医生读片，有望成为指导局部晚期直肠癌个体化治疗与器官保留策略的重要辅助工具。 Results结果 07 在回顾性测试集中，基于深度残差收缩网络的Radscore获得0.806的AUC，显著优于各单一MRI序列模型；多模态RAPIDS-II模型在训练集和测试集中的AUC分别达0.930和0.813。在前瞻性验证队列中，RAPIDS-II表现稳健，AUC达0.795，显著高于单纯影像组学模型。放射科医生的独立视觉评估特异度高（0.764-0.973）但灵敏度受限（0.390-0.729），显示出普遍低估pCR的倾向；在结合RAPIDS-II辅助后，放射科医生调整了部分病例的判断，所有医生的AUC与灵敏度均获得提升，尤其是低年资医生获益最大（灵敏度由0.390提升至0.576）。SHAP分析表明Radscore在模型预测中起主导作用，且特征热图清晰区分了完全缓解与未完全缓解的微观模式。生存分析还表明模型预测为pCR的患者总生存期、无病生存期与无局部复发生存期均显著优于预测为非完全缓解的患者。 Figure图 08 图1. 展示了RAPIDS-II模型的构建、可解释性分析与临床前瞻性验证流程。首先基于新辅助治疗后T2WI、DWI和DCE序列提取影像组学特征并经深度残差收缩网络（DRSN）生成Radscore，再结合临床病理因素（cT、cN、治疗前后CEA）构建RAPIDS-II模型；其次通过SHAP分析与像素级热图实现特征解释；最后在多中心前瞻性试验（NCT04278274）中评估其辅助放射科医生二读决策的临床价值。图2. 展示了DRSN模型、RAPIDS-II融合模型以及放射科医生独立阅片和AI辅助阅片在测试集（A）与前瞻性队列（B）中的ROC曲线。RAPIDS-II模型在测试集和前瞻性队列中分别获得0.813与0.795的AUC，优于单纯影像组学模型；同时各年资放射科医生在RAPIDS-II辅助下敏感度明显提高，低年资医生诊断性能获得显著改善。图3. 左侧展示了排名前三的关键影像组学特征在ROI区域内的像素级热图分布，直观呈现了pCR与non-pCR患者在微观组织纹理上的差异；右侧SHAP力图展示了个体患者水平上各项特征对最终pCR概率的正向或负向贡献，清晰解释了正确分类患者以及由于CEA过度主导导致假阴性分类病例的模型决策机制。

影像组学| 可解释人工智能辅助预测局部晚期直肠癌新辅助放化疗后病理完全缓解：前瞻性、多中心、人机交互研究文献速递

Oldlee

2026.11.11

该研究开发并前瞻性多中心验证了融合治疗后MRI影像组学与临床病理指标的可解释AI模型RAPIDS-II，能精准预测局部晚期直肠癌病理完全缓解并显著提升低年资放射科医生的诊断效能。

Title题目

可解释人工智能辅助预测局部晚期直肠癌新辅助放化疗后病理完全缓解：前瞻性、多中心、人机交互研究

Interpretable Artificial Intelligence in Assisting Treatment Response Prediction for Locally Advanced Rectal Cancer After Neoadjuvant Chemoradiotherapy: A Prospective, Multicenter, Human-Model Interaction Study

文献速递介绍

局部晚期直肠癌的标准治疗方案为新辅助放化疗后行全直肠系膜切除术，约15%至27%的患者可获得病理完全缓解（pCR），具备优异的远期预后。对于该亚群患者，采取等待观察等器官保留策略可避免手术创伤和并发症并保护肛门功能，因而准确评估治疗反应至关重要。高分辨率MRI作为评估金标准难以准确区分治疗后纤维化与微小残留病灶，导致放射科医生人工读片敏感度欠佳。既往影像组学预测模型多依赖新辅助治疗前MRI，无法体现治疗过程中的动态修饰效应，且缺乏真实世界前瞻性验证与模型透明解释度。为此，作者团队开展了RAPIDS-II模型研究，旨在整合新辅助治疗后MRI与临床病理指标，借助SHAP可解释性工具，前瞻性评估AI辅助医生判断pCR的临床潜能。

Aastract摘要

本研究旨在解决局部晚期直肠癌新辅助治疗后病理完全缓解评估缺乏前瞻性验证与模型透明度的临床痛点。研究人员基于治疗后多参数MRI提取的影像组学特征构建深度残差收缩网络以生成影像评分，并结合关键临床病理指标开发了多模态融合模型RAPIDS-II。该模型在回顾性测试集和多中心前瞻性临床验证队列中均展现出良好的预测准确率（测试集AUC为0.813，前瞻性验证集AUC为0.795）。人机交互评估显示，RAPIDS-II辅助显著提高了放射科医生尤其是低年资医生的诊断灵敏度与整体AUC。结合SHAP分析，该模型实现了像素级与个体层面的决策透明解释，展现出辅助临床制定直肠癌个体化器官保留决策的重大应用价值。

Method方法

研究回顾性收集了823例局部晚期直肠癌患者（随机分为575例训练集与248例测试集），并前瞻性入组207例新患者进行外部验证。利用治疗后T2WI、DCE和DWI三序列图像由放射科医生双盲勾画整个瘤床ROI，提取944个影像组学特征。经组内相关系数评估可重复性、相关性分析与弹性网络降维筛选出19个核心特征，并构建深度残差收缩网络生成预测pCR的Radscore评分。多因素分析确定cT、cN分期及新辅助治疗前后CEA水平为独立预测因子，进一步利用XGBoost算法将Radscore与临床病理因素融合成RAPIDS-II模型。研究通过SHAP算法对模型输出进行个体化归因及特征重要度排序，并对前3大影像组学特征进行像素级热图映射。前瞻性临床验证试验中，6位不同年资放射科医生盲态阅片，并对与AI预测不一致的病例进行再次评估以量化人机交互提升效益。

Discussion讨论

本研究证实新辅助治疗后MRI影像组学能够捕捉肉眼无法识别的微细组织纹理差异，有效克服了传统视觉评估对pCR低估的问题。RAPIDS-II模型相比先前仅依靠治疗前影像的模型更贴近治疗终局，能精准反映经新辅助方案调整后的实际退缩程度。与多数医疗AI缺乏临床互动验证不同，本研究通过前瞻性多中心设计证实了AI模型在辅助放射科医生尤其低年资医生方面的赋能价值，使年轻医生有望达到高年资医生的诊断水平。SHAP解释框架与像素级热图不仅提升了临床医生对预测结果的信任，还成功剖析了高CEA水平主导导致假阴性判定的决策原因。尽管存在全瘤床手动分割耗时较长、区分完全缓解与近完全缓解仍具挑战以及参与交互医生样本较小等局限，该模型在推进个性化精准诊疗方面展现出坚实基础。

Conclusion结论

融合新辅助治疗后多参数MRI影像组学与关键临床病理特征的RAPIDS-II模型，在局部晚期直肠癌病理完全缓解评估中表现出高准确度与优异的鲁棒性。该模型通过SHAP分析提供了个体级与像素级决策可解释性，并经前瞻性多中心试验证实能显著赋能临床医生读片，有望成为指导局部晚期直肠癌个体化治疗与器官保留策略的重要辅助工具。

Results结果

在回顾性测试集中，基于深度残差收缩网络的Radscore获得0.806的AUC，显著优于各单一MRI序列模型；多模态RAPIDS-II模型在训练集和测试集中的AUC分别达0.930和0.813。在前瞻性验证队列中，RAPIDS-II表现稳健，AUC达0.795，显著高于单纯影像组学模型。放射科医生的独立视觉评估特异度高（0.764-0.973）但灵敏度受限（0.390-0.729），显示出普遍低估pCR的倾向；在结合RAPIDS-II辅助后，放射科医生调整了部分病例的判断，所有医生的AUC与灵敏度均获得提升，尤其是低年资医生获益最大（灵敏度由0.390提升至0.576）。SHAP分析表明Radscore在模型预测中起主导作用，且特征热图清晰区分了完全缓解与未完全缓解的微观模式。生存分析还表明模型预测为pCR的患者总生存期、无病生存期与无局部复发生存期均显著优于预测为非完全缓解的患者。

Figure图

图1.

展示了RAPIDS-II模型的构建、可解释性分析与临床前瞻性验证流程。首先基于新辅助治疗后T2WI、DWI和DCE序列提取影像组学特征并经深度残差收缩网络（DRSN）生成Radscore，再结合临床病理因素（cT、cN、治疗前后CEA）构建RAPIDS-II模型；其次通过SHAP分析与像素级热图实现特征解释；最后在多中心前瞻性试验（NCT04278274）中评估其辅助放射科医生二读决策的临床价值。

图2.

展示了DRSN模型、RAPIDS-II融合模型以及放射科医生独立阅片和AI辅助阅片在测试集（A）与前瞻性队列（B）中的ROC曲线。RAPIDS-II模型在测试集和前瞻性队列中分别获得0.813与0.795的AUC，优于单纯影像组学模型；同时各年资放射科医生在RAPIDS-II辅助下敏感度明显提高，低年资医生诊断性能获得显著改善。

图3.

左侧展示了排名前三的关键影像组学特征在ROI区域内的像素级热图分布，直观呈现了pCR与non-pCR患者在微观组织纹理上的差异；右侧SHAP力图展示了个体患者水平上各项特征对最终pCR概率的正向或负向贡献，清晰解释了正确分类患者以及由于CEA过度主导导致假阴性分类病例的模型决策机制。