Adv Sci：厦门大学联合中山大学提出结直肠癌CT影像基础模型CRCFound，推动结直肠癌精准诊断

结直肠癌（CRC）的传统风险评估主要依赖于术后病理TNM分期和分子分型，如共识分子亚型（CMS）分类及微卫星不稳定性（ MSI）检测，这些均需昂贵的分子检测手段和术后病理标本，限制了其在术前诊断和治疗决策中的应用。CT影像作为术前评估的重要工具，能为肿瘤的形态、分期和邻近结构侵犯情况提供关键依据。然而，CT影像的人工标注繁琐且需专业知识，导致样本量不足，制约了深度学习模型的效能发挥。近期，自监督学习通过利用大量无标注数据，自动学习有效特征，已在自然语言处理和计算机视觉领域取得突破，成为解决医学影像标注不足的有力手段。

8月12日，来自厦门大学王连生教授与中山大学吴小剑教授、高峰教授团队提出了一种基于自监督学习（SSL）的结直肠癌CT影像基础模型。该模型通过对5137例无标注CT图像进行预训练，成功提取了通用且高效的影像特征，能够适应多种临床下游任务，表现出卓越的性能和泛化能力。

本研究汇集了6332例CRC患者的三维增强CT影像，依据数据完整性分为两大队列：5137例无标注影像用于CRCFound的自监督预训练，1195例带临床标签的影像用于多任务微调及验证。模型采用基于Vision Transformer（ViT）的编码器框架，结合掩码自动编码器（Masked Autoencoder, MAE）策略，随机遮挡75%的3D图像块，要求模型从部分信息中重建完整图像，促使其学习深层影像结构和肿瘤特征。此外，模型引入了适配器模块和融合模块，实现与CT影像对应的放射学报告文本信息的多模态融合，进一步提升诊断性能。

结果显示，CRCFound在八项关键临床任务中表现优异，包括TNM分期（T、N、M及整体分期）、MSI预测、CMS分类及预后（总生存期OS和无病生存期DFS）评估。与未预训练模型相比，CRCFound显著提升了各任务的诊断准确度，特别是在N期判定上，预训练模型AUROC提升达22%。融合放射学报告文本的模型（CRCFound_report）进一步增强了预测的置信度和精确性。梯度加权类激活映射（Grad-CAM）分析显示，模型能精准关注肿瘤及转移淋巴结区域，支持其临床解释性。此外，模型在外部验证集上保持良好泛化，显示其跨中心应用潜力。

对于分子亚型预测，CRCFound在MSI诊断中达到了0.952的平均AUROC，较纯影像模型提升明显。在CMS分类中，模型对CMS1亚型的识别表现尤其突出。预后分析显示，利用CRCFound提取的影像特征构建的Cox风险模型能有效区分高风险与低风险患者，其危险比HR在DFS和OS中均显著优于传统模型，且在多变量分析中CRCFound表现为独立预后因子。

综上，本研究创新性地构建了CRC CT影像自监督学习基础模型，为结直肠癌术前精准诊断和个性化治疗提供了新思路。CRCFound不仅解决了标注数据不足的问题，还兼顾了多模态信息融合，提升了模型的泛化能力和临床适用性。相比于先前聚焦肿瘤局部区域的模型，CRCFound通过大范围掩码重建任务，捕捉了局部与全局的解剖结构信息，满足多任务学习需求。 然而，模型仍有拓展空间，比如引入更多多中心数据丰富样本多样性，结合MRI、PET及数字病理等多模态数据，进一步提升对肿瘤生物学的理解及预后预测能力。此外，目前自监督训练尚未利用文本信息，未来可尝试联合训练以增强多模态深度融合效果。

原始出处

Yang J, Cai D, Liu J, et al. CRCFound: A Colorectal Cancer CT Image Foundation Model Based on Self-Supervised Learning. Adv Sci (Weinh). Published online August 12, 2025. doi:10.1002/advs.202407339