编辑推荐：
为解决宫颈癌放疗中放射性直肠炎（Radiation proctitis）诊断和预后难题，研究人员开展基于深度学习与影像组学结合的研究。利用 SAM-Med2D 模型提取 CT 影像特征构建预测模型，结果显示该方法能有效诊断放射性直肠炎，为个性化治疗提供参考。
在女性健康的 “战场” 上，宫颈癌这位 “劲敌” 严重威胁着众多女性的生命。目前，放疗是对抗宫颈癌的重要 “武器”，可放疗带来的并发症，比如放射性直肠炎，却成了新的 “麻烦”。它的诊断和预后充满挑战，就像迷雾一般，让医生难以精准把握，这直接影响了治疗方案的优化和患者的康复效果。于是，为了驱散这团 “迷雾”，安徽医科大学第一附属医院等机构的研究人员踏上了探索之旅。他们开展了一项关于基于 SAM-Med2D 模型预测放射性直肠炎的研究，最终成功找到一种新方法，能有效提取 CT 影像特征，精准预测放射性直肠炎，这为宫颈癌放疗的个性化治疗提供了有力支持，就像在黑暗中点亮了一盏明灯，意义重大。该研究成果发表在《Scientific Reports》上。
研究人员在此次研究中，采用了多种关键技术方法。他们收集了安徽医科大学第一附属医院 2017 年 6 月至 2022 年 1 月接受根治性放疗的宫颈癌患者数据，通过严格筛选，120 名患者参与研究。利用 CT GE Discovery CT590 RT 扫描仪获取患者盆腔 CT 图像，再借助基于 Transformer 架构的 SAM-Med2D 模型自动提取视觉特征。之后，运用 T 检验和 Lasso 回归进行特征选择，并使用逻辑回归（Logistic Regression）、随机森林（Random Forest）和高斯朴素贝叶斯（Gaussian Naive Bayes）算法构建预测模型，采用 5 折交叉验证评估模型性能。
研究结果如下：
- 实验设置：专业医生在 150 名患者的 CT 图像中勾勒出直肠区域，其中 41 名患者放疗后未患直肠炎，109 名患病。研究使用 Python 3.8 和 PyTorch 1.12.0 进行实验。
- 评估指标：研究采用准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 评分（F1 Score）和 AUC（Area Under the ROC Curve，受试者工作特征曲线下面积）等指标评估模型性能。这些指标从不同角度反映模型表现，能全面评估模型在预测放射性直肠炎方面的能力。
- 性能比较：实验结果表明，基于 Transformer 架构的 SAM-Med2D 模型提取的特征在预测放射性直肠炎方面效果显著。在不同模型中，逻辑回归表现最佳，AUC 值达到 0.73，随机森林次之，AUC 为 0.69，高斯朴素贝叶斯 AUC 值为 0.63。同时，各模型召回率较高，意味着能有效识别放射性直肠炎阳性病例。
- 可视化：将直肠最大横截面切片图像输入 SAM-Med2D 模型，其分割结果与医院提供的结果高度匹配，说明该模型能有效聚焦直肠区域，准确提取相关特征。
研究结论显示，利用 SAM-Med2D 模型提取的特征构建的预测模型，在预测放射性直肠炎方面表现良好，AUC 值约 0.73。与其他经典深度学习模型和基于 Transformer 的特征提取模型相比，SAM-Med2D 在医学图像特征提取上更具优势，能有效分割直肠区域，获取更准确、有代表性的医学图像信息，使预测更精准。
在讨论部分，研究人员指出，该研究存在一定局限性，样本量相对较小，可能影响模型准确性和性能。未来增加训练样本，或应用于其他成像模态，有望进一步提升预测精度。此外，由于深度学习方法常被视为 “黑箱”，仅依靠放疗前患者影像数据预测放射性直肠炎可能效果不佳，后续可纳入放疗后、发病前数据，对比放疗前后影像特征变化，优化预测模型。总体而言，这项研究为宫颈癌放疗中放射性直肠炎的预测开辟了新路径，为临床医生制定个性化治疗方案提供了重要参考依据，在宫颈癌放疗领域具有重要的应用价值和研究意义，为后续相关研究奠定了坚实基础，有望推动该领域进一步发展 。
