僅憑MRI影像即可辨識大腸癌「預後不良型」——開發出減輕患者與醫療成本負擔的術前診斷AI

由千葉大學大學院醫學研究院顧文超特任副教授與復旦大學附屬腫瘤醫院（復旦大學癌症中心）童彤教授所率領的研究團隊，成功開發出一種利用人工智慧，僅憑磁振造影（MRI）影像在手術前辨識「治療困難且易復發的大腸癌」的方法。研究團隊使用三家醫院共253名大腸癌患者的資料進行測試，結果顯示此AI模型能以高準確度正確區分CMS4亞型，且被AI判定為「高風險」的患者，實際復發率也確實較高。此技術未來將有助於在手術前為每位患者制定個人化的治療策略。

本項研究成果已於2026年5月19日發表於學術期刊《Radiology》。

（論文連結：10.1148/radiol.251719）

圖：本研究概要

研究背景

大腸癌患者的腫瘤特性與治療反應差異極大。根據「共識分子亞型」（CMS）分類，大腸癌可分為四種亞型，其中CMS4（註1）因上皮間葉轉化（EMT，註2）與TGF-β訊號路徑（註3）活化，對化學治療與免疫治療具有抗性，屬於預後最差的類型。然而，CMS4的診斷需仰賴高成本的免疫染色或基因表現分析，且依賴手術後取得的組織樣本，導致術前難以預測。因此，本研究致力於開發一種僅需術前常規拍攝的MRI影像即可預測CMS4的方法，以降低患者負擔與醫療成本。

研究成果重點

1. 多中心大規模驗證：研究團隊結合T2強調影像（T2WI）與顯影強化T1強調影像（CE-T1WI）（註4），建構出多參數MRI放射組學模型「MRC4s」，並在多個醫療機構的數據中完成開發與驗證。

2. 準確度超越現有深度學習模型：整合T2WI與CE-T1WI的最終模型（Merge-MRC4s）在內部驗證中達到AUC 0.85，外部驗證達AUC 0.84，顯著優於ResNet50、VGG16、DenseNet201等主流深度學習模型（AUC 0.70–0.75）。

3. 成功區分復發風險：Kaplan-Meier分析顯示，MRC4s評分高的患者群，其復發與轉移風險約為評分低者之6倍，證實此模型具備臨床實用的預後預測價值。

4. 具備生物學可解釋性：模型預測為CMS4的患者群，確實呈現TGF-β訊號路徑與EMT路徑的顯著活化。此外，透過SHAP（註5）分析，可視化各放射組學特徵對預測的貢獻度，實現「可解釋的人工智慧」。

千葉大學醫學研究院 顧文超 特任副教授

未來展望（研究者評論）

本研究成果開創了僅憑術前MRI即可識別難治性CMS4大腸癌的新途徑。未來團隊將進一步發展此模型，應用於術前化學放射線治療（註6）的療效預測，以及作為針對CMS4的新型治療策略之患者篩選工具，並透過前瞻性多中心共同研究，推動其臨床實用化。

名詞解釋

註1）CMS4（共識分子亞型4）：2015年由Guinney等人提出的大腸癌分子分型之一。具間質細胞特性，伴隨TGF-β訊號與上皮間葉轉化活化，對化療與免疫療法具抗性，預後最差。

註2）EMT（上皮間葉轉化）：上皮細胞轉變為具高移動性的間葉細胞之現象，與癌症的侵犯、轉移及治療抗性密切相關。

註3）TGF-β訊號路徑：調控細胞增生、分化、免疫抑制與間質生成的重要訊號傳遞路徑。在CMS4大腸癌中過度活化，並透過腫瘤相關纖維母細胞導致治療抗性。

註4）T2強調影像（T2WI）／顯影強化T1強調影像（CE-T1WI）：MRI常見的影像技術。T2WI擅長評估組織異質性，CE-T1WI則用於評估血管新生，兩者結合可互補捕捉CMS4的生物學特徵。

註5）SHAP（Shapley Additive Explanations）：一種量化機器學習模型中各特徵對預測結果貢獻度的方法，提升AI模型的可解釋性。

註6）術前化學放射線治療（nCRT）：手術前結合化學治療與放射線治療的療法，為直腸癌等癌症的標準治療之一。

論文資訊

論文標題：Interpretable MRI-based Multiparametric Radiomics for Preoperative Prediction of CMS4 Colorectal Cancer

作者：Zonglin Liu, Wenchao Gu, Liheng Liu, Shiman Wu, Zhenwei Yao, Yiqun Sun, Dan Huang, Tong Tong

期刊名稱：Radiology

DOI：10.1148/radiol.251719