影像组学与深度学习在结直肠癌肝转移早期预测及疗效评估中的研究进展

基于影像组学的结直肠癌肝转移(colorectal cancer liver metastases,CCLM)早期预测及疗效评估,对于CCLM患者的个体化管理与治疗方式选择具有重要意义。以卷积神经网络为基础的深度学习(deep learning,DL)具有人工智能(artificial intelligence,AI)参与度高、可重复性强、性能可靠等优势,提高了模型的预测效能,应用前景值得期待。随着多模态融合模型、多中心大样本数据库的逐步构建,影像组学和DL将在CCLM管理中发挥更为重要的作用。本综述介绍了影像组学及DL的主要步骤,总结归纳其在CCLM早期状态预测及不同治疗方式疗效评估的应用价值,并展望其在CCLM临床管理中的深入应用潜能。

影像组学在结直肠癌肝转移诊疗中的应用进展

结直肠癌发病率呈逐年上升趋势,肝脏是其远处转移最常见的靶器官。目前传统影像学在发现结直肠癌隐匿性肝转移灶、预测异时性肝转移及评估治疗反应方面仍有不足。影像组学可从医学图像数据中挖掘并提取肉眼难以分辨的信息,反映肿瘤内部异质性特征,从而为结直肠癌肝转移的预测、诊断、疗效评估及预后判断提供更多的辅助信息。就影像组学在结直肠癌肝转移诊疗中的应用进展进行综述。