European Radiology：人工智能在磁共振成像中预测直肠癌患者淋巴结转移的mate分析

结直肠癌是全球第三大常见癌症，其中直肠癌约占病例的 30% 至 35%，在发病率和死亡率方面均排名第八。在直肠癌的扩散途径中，淋巴结转移（LNM）尤为重要。这种转移形式与患者的不良预后密切相关。因此，早期检测和精确的术前评估淋巴结转移情况至关重要。正如美国国家综合癌症网络直肠癌指南所强调的，准确评估淋巴结转移对于指导手术规划和制定个性化治疗策略至关重要，这些策略有可能改善患者的治疗效果。

传统上用于评估直肠癌淋巴结受累情况的诊断工具包括计算机断层扫描（CT）、磁共振成像（MRI）、直肠内超声和病理活检。然而，每种检查方式都有其明显的局限性。CT 虽然应用广泛，但缺乏准确检测小的转移性淋巴结所需的空间分辨率。MRI 目前是术前评估的首选方法之一，它具有出色的软组织对比度，有助于更好地观察淋巴结。然而，区分良性和恶性淋巴结仍然具有挑战性。直肠内超声可以提供直肠壁的详细图像，但在评估直肠周围区域以外的淋巴结方面存在局限性。虽然病理活检仍然是确认淋巴结状态的确定性方法，但它是侵入性的，并且通常在术后进行，这限制了其在术前决策中的应用。这些局限性凸显了在手术前需要先进的、非侵入性的诊断方法来准确评估淋巴结转移情况。

人工智能（AI）最近已成为医学影像学领域中一种很有前景的工具，特别是那些针对 MRI 数据开发的人工智能技术，已显示出在识别可能表明转移性淋巴结的细微影像学特征方面的潜力。人工智能模型，尤其是深度学习算法，可以快速、准确地处理大量的影像学数据，从广泛的数据集中学习，并随着时间的推移提高预测准确性。此外，人工智能算法有助于使图像解读标准化，减少临床医生和机构之间的差异。例如，在李等人的研究中，纳入了直肠癌患者，基于 MRI 的结合 T2 加权成像（T2WI）和表观扩散系数（ADC）的模型显示出高达 0.822 的受试者工作特征曲线下面积（AUC）。然而，基于 MRI 的人工智能的诊断性能仍然存在争议。不同研究中特异性和敏感性的差异引发了人们对其一致性和可靠性的质疑。此外，尚不清楚人工智能是否能够超越经验丰富的放射科医生的诊断性能，这进一步增加了其在临床实践中作用的不确定性。因此，显然需要对现有文献进行全面分析，以评估其真正的诊断价值。

最近，发表在European Radiology 上的一篇文章评估了基于磁共振成像（MRI）的人工智能（AI）在直肠癌患者术前检测淋巴结转移（LNM）方面的诊断性能，并将其与放射科医生的诊断性能进行了比较。

全面检索 PubMed、Embase 和 Web of Science 数据库，以确定截至 2024 年 9 月发表的相关研究。所选研究聚焦于基于 MRI 的人工智能在检测直肠癌淋巴结转移方面的诊断性能。采用双变量随机效应模型计算合并的敏感性和特异性，并分别报告其 95% 置信区间（CI）。使用 I² 统计量评估研究的异质性。此外，应用改良的诊断准确性研究质量评估工具 2（QUADAS-2）来评估所选研究的方法学质量。

本荟萃分析纳入了 17 项研究。基于 MRI 的人工智能在检测直肠癌术前淋巴结转移方面的合并敏感性、特异性和曲线下面积（AUC）分别为 0.71（95% 置信区间：0.66 - 0.74）、0.71（95% 置信区间：0.67 - 0.75）和 0.77（95% 置信区间：0.73 - 0.80）。对于放射科医生，这些数值分别为 0.64（95% 置信区间：0.49 - 0.77）、0.72（95% 置信区间：0.62 - 0.80）和 0.74（95% 置信区间：0.68 - 0.80）。两项分析均显示无显著的发表偏倚（P > 0.05）。

表 亚组分析和元回归分析

本项研究表明，基于 MRI 的人工智能的诊断性能与放射科医生相似。研究之间的高度异质性限制了这些发现的说服力，因此有必要使用外部验证数据集进行进一步研究，以确认这些结果并评估其实际临床价值。

原文出处：

Zhiqiang Bai,Lumin Xu,Zujun Ding,et al.Artificial intelligence in magnetic resonance imaging for predicting lymph node metastasis in rectal cancer patients: a meta-analysis.DOI:10.1007/s00330-025-11519-y