摘要目的 建立基于MRI影像图像预测局部进展期直肠癌(locally advanced rectal cancer,LARC)新辅助放化疗(neoadjuvant chemoradiotherapy,nCRT)后病理学完全缓解(pathological complete response,pCR)模型,以辅助患者个性化治疗方案的制订.方法 回顾性纳入2013年6月至2018年12月中山大学附属第六医院接受nCRT治疗且行全直肠系膜切除术组织病理对治疗效果进行评定的LARC患者.按1:2的比例将患者依照住院时间先后顺序分为Data A与Data B 2个数据集.其中Data A数据集用于语义分割模型训练,Data B数据集按7:3的比例随机分为训练集和验证集,分别用于pCR预测模型训练与评价.收集Data A数据集病例的T2加权MRI影像资料,采用改进的全卷积网络(fully convolutional networks,FCN)模型对肿瘤区域进行语义分割,建立语义分割模型并提取最终卷积层中的影像特征.采用最小绝对值收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归法对提取的影像特征进行筛选,构建可预测pCR状态的支持向量机(support vector machine,SVM)分类器(预测模型).以Data B训练集数据为基础,对该预测模型的性能进行训练,进一步在Data B验证集中对其性能进行评价.结果 共入选符合纳入和排除标准的LARC患者304例,nCRT治疗后82例判定为pCR,222例为非pCR.2013年6月至2015年11月的103例患者为Data A数据集,2015年12月至2018年12月的201例患者为Data B数据集.Data B数据集中,训练集140例、验证集61例.改进的FCN模型对Data B数据集图像分割的Dice值为0.79(95％CI:0.65～0.81),灵敏度为80％(95％CI:77％～83％),特异度为72％(95％CI:64％～85％).语义分割模型共提取最终卷积层中512个影像特征,经LASSO回归筛选后保留7个,用于pCR状态预测.预测模型在Data B训练集中预测pCR的曲线下面积(area under the curve,AUC)为0.65(95％CI:0.61～0.71),在Data B验证集中的AUC为0.69(95％CI:0.59～0.74).结论 本研究提出的改进的FCN模型,对MRI图像进行语义分割具有较高的准确度.基于该方法构建的模型预测LARC患者接受nCRT治疗后pCR状态具有可行性.