近年来,随着医学水平的进步,直肠癌的诊疗有所改善,然而由于术后复发率和转移率较高,导致其死亡率一直处于较高水平。直肠癌淋巴结转移是影响术后生存的关键因素,是否合并淋巴结转移影响治疗方案的制定。根据ESMO-2017（欧洲肿瘤内科学会）直肠癌诊疗指南,只要有淋巴结转移,则无论T分期,临床分期均为Ⅲ期及以上,均需要接受新辅助放化疗。位于直肠系膜筋膜包裹内的直肠系膜内淋巴结是距离肿瘤病变最近的区域淋巴结,因此是直肠癌最先受累、也是最常受累的淋巴结。同时,做为影响全直肠系膜切除术（TME,Total Mesorectal Excision）术后复发的重要独立危险因素的环周切缘（CRM,Circumferential Resection Margin）,其中一项阳性评价标准就是可疑阳性淋巴结距离直肠系膜筋膜小于1mm。此外,N分期还决定了直肠癌风险分度,提示复发风险。综上所述,术前明确诊断转移性淋巴结,特别是直肠系膜内转移性淋巴结,对于治疗方案的规范,降低术后复发和转移,是非常有意义的。直肠肿瘤临床常用诊断方法有MR（Magnetic Resonance Imaging）、CT（Computed Tomography）、直肠内超声和 PET-CT（Positron Emission Tomography Computed Tomography）。MR 检查,特别是 HD-MR（High-Definition MR）检查,是临床常用的,也是各国指南推荐的检查方法,可以更好的在术前对肿瘤局部浸润情况以及直肠系膜内淋巴结转移情况进行评估。常用的良恶性淋巴结诊断标准有大小、形态、边界、结内信号等。恶性淋巴结一般较大,良性较小,然而,研究表明,大小并不是一个可以非常准确的判断淋巴结良恶性的指标,且具体使用多大数值作为诊断标准也尚有争议。淋巴结内部信号和边缘特征也可以用来评价淋巴结受累情况,恶性淋巴结内部信号不均匀,形态不规则,边缘倾向于分叶、毛刺和模糊,而良性淋巴结边缘光滑、锐利,内部信号均匀,形态规则。然而,虽然从形态学和内部信号上来看,直肠癌良性淋巴结和恶性淋巴结有一些具有诊断意义的鉴别点,但已有研究表明,MRI诊断直肠癌良恶性淋巴结的诊断效能并不满意,敏感性和特异性在58%到77%之间,且这些诊断标准大部分均为主观指标,导致诊断难度较大,对医师要求较高。因此,临床上需要一个客观、稳定、定量、简单的诊断方法来对直肠癌系膜内淋巴结的转移情况进行判断。影像组学是指利用计算机从医学影像图像中提取大量的数据,并通过数据挖掘来寻找规律,以反映疾病之间的变化或差异性,并通过筛选大量特征来实现可重复性。影像组学可以将图像转化为数据,将阅读图像这一主观过程转变成数据分析的客观过程,展现出了较高的临床价值。它可以克服人眼获取信息的局限性,不会受到经验、时间甚至显示设备的影响。图像分割是指利用人工或者计算机将感兴趣区域,一般为病变区域,从图像背景中分割出来,是组学分析过程中的重要步骤之一,不同的分割方法对结果有较大的影像。除了影像组学以外,深度学习也是常用于医学图像分析的机器学习方法。深度学习是人工智能的一个分支,使用多层卷积神经网络（CNN,Convolutional Neural Network）的深度学习系统可以不经过影像组学分析过程中的图像分割和数据降维等过程,可以自动计算和分析量化后的图像特征,并拟合并创建疾病预测模型。较影像组学相比,深度学习不需要准确的感兴趣区（ROI,Region Of Interest）分割,只需要设定病变位置和范围,计算机就可以自己进行提取和分析,医师不需要参与到这一过程,这就降低了主观因素对于结果的影响。但深度学习对于病例数量的要求要高于影像组学。广义上影像组学和深度学习都属于机器学习的范畴。因此,本研究的目的是,以HD-T2序列图像为基础,1)利用影像组学,结合不同的ROI分割方法,利用机器学习来对获取的组学特征值进行建模,来对直肠癌直肠系膜内淋巴结的良恶性进行诊断;2)尝试利用深度学习来鉴别诊断直肠癌直肠系膜内良恶性淋巴结;3)判断机器学习,包括影像组学和深度学习,在鉴别直肠癌良恶性淋巴结的诊断价值,并与人工诊断进行比较。本研究以期寻找一个可以客观定量鉴别诊断直肠癌系膜内良恶性淋巴结的方法,提高诊断的准确性,降低诊断难度。研究方法该研究通过山东省千佛山医院伦理会审查,所有的检查均经过患者同意,并签署知情同意书。本研究是一个前瞻性研究。收集自2016年6月至2021年4月因直肠占位性病变来山东省千佛山医院就诊的患者。经入组筛选的患者接受MR检查,且检查前未接受任何治疗,并最终接受TME手术。MR检查使用的是 GE HD 750 3.0T（GE Medical Systems,Boston,USA）磁共振扫描仪,心脏线圈。扫描主要序列是高分辨率T2快速自旋回波序列（HD T2WI,High-Definition T2 Weighted Imaging）,主要参数视野（FOV,Field of view）为 18cm,层厚3mm,层间距为0。为了准确对活体影像图像上的淋巴结与术后所获得的病理标本上的淋巴结进行一一对应,我们首先将HD-T2上的淋巴结以其相对于肿瘤的中心位置进行分区和定位,术后将标本充分展开,再次以肿瘤中心位置为标准进行分区,然后对HD-T2WI上定位的目标淋巴结进行寻找和匹配。影像组学分析过程:将获取的HD-T2WI原始DICOM图像上传至慧医汇影Radcloud v2.2 工作站（Huiying Medical Technology Co.,Ltd,Beijing,China）。使用四种ROI分割方法对淋巴结进行标注,包括轮廓、轮廓外扩、仅边缘和内部圆圈四种ROI。本研究共提取包括强度特征、形态特征、纹理特征和高阶特征共1409个。首先对特征值的组内和组间一致性进行判断,并将不稳定的特征值（相关系数ICC小于0.75）排除,然后将剩余的特征值进行数据降维,以增加数据的相关性。采用的降维方法包括:方差阈值法（Variance Thresholding）、SelectkBest 算法和 LASSO（Least Absolute Shrinkage and Selection Operator）算法,最终获得特征值纳入模型拟合。将样本按7:3的比例随机分为训练集和测试集,在训练集内将降维后的特征值拟合Logistics模型,并采用五折交叉验证以提高准确性,然后使用测试集来对模型效果进行验证。所使用软件（平台）为 Python3.6（https://www.python.org/）。深度学习分析过程:选择可以显示每个淋巴结最大层面的图像纳入深度学习研究。数据集随机分为训练（70.0%）和测试（30.0%）数据集。本次实验设计了一个只包含5个卷积层和2个全连接层的小型卷积神经网络网络。另外,采用了随机翻转和添加随机噪声两种数据增强方式来减少过拟合风险和提升模型鲁棒性。根据淋巴结定位可以获取感兴趣区（VOI,Volume Of Interest）矩形框,再在矩形框基础上沿高度和宽度的各自两个方向扩充1/4的高度值和宽度值。将每张图像进行像素值做归一化操作,并统一图像尺寸,然后进行随机翻转或添加噪声。本实验所用优化器为SGD（随机梯度下降）,为了减少过拟合风险,还用到了 L2正则化。所使用软件（平台）为Caffe（Convolutional Architecture for Fast Feature Embedding）。主观诊断分析过程:由三位不同工作经验的医师（高年资:6年,中年资:3年,低年资:0.5年）独立对所有淋巴结进行阅片诊断,均不知道最终病理结果。同时记录每个淋巴结的短径。统计分析采用 SPSS（V20.0;IBM Corp.,Armonk,NY）和 MedCalc 15.6.1（MedCalc Software Ltd.）软件。符合正态分布的计量资料以均数±标准差（sx）表示。（1）采用组内相关系数法（ICC）评价影像组学ROI分割的一致性。ICC＜0.4:一致性差;0.4＜ICC＜0.75:提示一致性一般到好;ICC＞0.75:提示有非常好的一致性。（2）使用根据方差齐性的结果采用t检验或t’检验进行良恶性淋巴结短径间的差异性分析,Youden index用来确定最佳阈值。影像组学、深度学习和主观诊断的评价指标包括受试者工作特征曲线（ROC,Receiver Operator Characteristic Curve）、ROC 曲线下面积（AUC,Area Under the ROC Curve）、准确性、敏感性和特异性。P＜0.05为统计学差异判定标准。结果共入组166例患者,男性患者多于女性患者,60-70岁之间的患者数量最多,T分期中以T3期最多,N0患者69例,N+患者97例。共入组604个淋巴结,其中恶性淋巴结306个,良性淋巴结298个,淋巴结短径大部分位于6mm以下,约占79.14%。恶性淋巴结短径整体大于良性淋巴结,且差异具有统计学意义（P＜0.05）。但以短径作为诊断标准时,AUC为0.552,当阈值为5.93时,敏感性为0.307,特异性为0.883。影像组学结果:将经稳定性检验、数据降维后的特征值拟合logistics模型。本研究将所有604个入组淋巴结按7:3的比例分为训练集和测试集,训练集包括422个淋巴结,其中恶性淋巴结215个,良性淋巴结207个,测试集包括182个淋巴结,其中恶性淋巴结93个,良性淋巴结89个。画法1所得到测试集中AUC、准确率、敏感度均为最高（0.820,0.725,0.756）,画法2所得到测试集中特异度最高（0.772）。深度学习结果:数据集随机分为训练（70.0%）和测试（30.0%）数据集。训练集:215恶性+205良性,测试集:91恶性+93良性。结果发现测试集AUC为0.81,准确率为0.725,敏感性为0.698、特异性为0.752。主观诊断结果:三位医师主观诊断AUC、准确性、敏感性均不高（AUC0.604、0.634、0.671,ACC0.601、0.632、0.667,SE0.366、0.552、0.392）,但特异性均较高（0.842、0.715、0.950）。高年资医师诊断效能较中低年资诊断效能高,且差异具有统计学意义（p＜0.05）,中年资医师诊断效能高于低年资医师,但差异不具有统计学意义（p＞0.05）。结论1.以淋巴结短径作为诊断标准时,诊断效能较低,不能单独作为诊断直肠癌系膜内淋巴结转移情况的指标;2.影像组学中,沿淋巴结轮廓进行图像分割的方法,最终获得的综合诊断效能最佳,表明该方法所包含的具有诊断意义的信息最多;3.深度学习和影像组学的诊断效能接近,均优于医师的主观诊断;4.主观诊断的差异性结果表明,诊断经验影响了淋巴结良恶性的诊断准确性。意义基于HD-T2WI的影像组学和深度学习可以用来鉴别诊断直肠癌直肠系膜内淋巴结的良恶性,优于医师的主观诊断。机器学习可以辅助淋巴结对直肠癌直肠系膜内的淋巴结受累情况进行诊断,以提供更加准确的N分期和环周切缘情况,为个性化治疗方案的定制和改善患者预后提供有用的信息。创新性1.分析深度学习在诊断直肠癌系膜内淋巴结转移情况中的应用价值,目前该方面的研究较少,并对淋巴结进行了影像-病理对应验证,结果更具有可信性;2.比较了不同图像分割方法对于影像组学结果的影响,并做出解释,为以后的研究中选择合理的图像分割方法提供理论依据;3.比较了影像组学和深度学习与主观诊断的差异性,证明了机器学习有很好的诊断潜能,在临床中具有很好的应用前景。不足1.病例数量少,且为单中心研究,需要更多数量和多中心研究来进行推广验证2.虽然通过术后追踪标本处理来提高淋巴结定位的准确性,但术后标本结构改变和体积收缩会导致定位困难,这也是目前所有针对于淋巴结诊断研究所面临的问题;3.没有纳入3mm以下的淋巴结,以及未涉及到淋巴结微转移,目前我们的诊断试验无法可靠地检测到这些淋巴结。