📄 医学

Functional Agent-Driven Computational Anatomy for Preoperative Siewert Classification of Adenocarcinoma of the Esophagogastric Junction Using Three-Dimensional Contrast- Enhanced CT: a retrospective multicenter diagnostic accuracy study

这项回顾性多中心研究表明，FACET（一种功能代理驱动的计算解剖学框架）通过将主观影像评估转换为对比增强 CT 上经过校准且可追溯的 3D 距离测量，提高了食管胃结合部腺癌术前 Siewert 分类的可重复性和准确性。

原作者： Yiting Liu, Zifan Chen, Ruojin Li, Shuangxi Li, Li Zhang, Xiaoting Li, Yinkui Wang, Kan Xue, Fei Shan, Lei Tang, Ziyu Li

发布于 2026-10-14

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Yiting Liu, Zifan Chen, Ruojin Li, Shuangxi Li, Li Zhang, Xiaoting Li, Yinkui Wang, Kan Xue, Fei Shan, Lei Tang, Ziyu Li

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在复杂的人体解剖结构中，很少有像食管与胃交界处那样对手术规划至关重要的边界。这就是食管胃结合部，一种被称为腺癌的特定类型癌症经常在此扎根。对于外科医生来说，术前最关键的问题不仅是是否存在癌症，而是癌症中心相对于这个交界处的精确位置。这种空间关系决定了整个手术策略：是切除更多的食管，还是切除更多的胃部，以及清理哪些淋巴结。目前，医生依靠一种称为 Siewert 分类的系统来进行这种判定。这是一个基于规则的系统，根据肿瘤与交界处的距离将其分为三类。然而，在标准医学影像上测量这一距离长期以来一直是一门主观的艺术。放射科医生观察人体二维切片，并估算肿瘤的起点和终点，这个过程因人而异，且往往会导致结果不一致，尤其是在肿瘤体积巨大、形状不规则或被其他结构遮挡时。

为了解决人类主观性不一致的问题，来自北京大学及其他机构的研究团队开发了一种名为 FACET 的新型数字化工具。研究人员并没有要求计算机简单地猜测肿瘤类型，而是构建了一个模仿外科医生细致、循序渐进推理过程的系统。他们没有将分类任务视为一个“黑箱”预测，而是将其视为一个可测量的几何问题。该系统接收患者胸部和腹部的三维 CT 扫描图像，并自动识别肿瘤及其周围的解剖结构。随后，它沿着胃和食管的内表面构建一条虚拟路径，追踪肿瘤所遵循的确切路径。通过测量沿这条弯曲路径从肿瘤中心到交界处的距离，该软件将模糊的视觉估计转化为精确、可重复的数值。这种方法消除了猜测，将主观判断转变为任何医生都可以验证的可追溯测量。

研究人员在来自多家医院的大规模患者群体中测试了该系统，以观察其是否能达到“金标准”的准确度：即手术切除后对肿瘤进行的物理检查。他们将工作分为三个阶段。首先，他们利用 70 名患者的数据对系统进行了训练。接着，他们在来自同一家医院的另外 61 名患者组中对其进行了测试，以确保它不仅仅是记住了第一组数据。最后，他们用来自另一家医院的完全不同的 45 名患者组对其进行了挑战，以观察其在现实世界的独立环境下的表现。结果显示，该系统表现良好，在最后一组独立病例中正确识别了约 73% 的肿瘤类型。虽然这并非完美分数，但它代表了在一致性方面迈出的重要一步，特别是该系统在这一外部组别中实现了 0.770 的曲线下面积（一种衡量整体性能的统计指标），这表明它能够可靠地区分不同的肿瘤类型。

这项工作的独特之处在于它如何处理身体的物理现实。研究人员意识到，肿瘤并不是坐落在一条直线上；它遵循消化道的曲线。简单的直线测量会产生误导。相反，该软件构建了一张肿瘤表面的地图，并计算沿该表面的距离，就像测量一条蜿蜒道路的长度，而不是地图上两点之间的距离。为了弥合扫描中看到的活体组织与手术后显微镜下看到的固定组织之间的差距，团队应用了一个特定的校准因子。这一调整考虑到了组织在脱离身体后会发生收缩和变形的事实。通过将该因子锁定在一个特定值，系统确保了从扫描中获取的测量结果能尽可能与最终的病理诊断相吻合。

该研究还强调了当前医学影像的局限性和仍然存在的挑战。该系统是为未接受过既往化疗或放疗的患者设计的，因为这些治疗会使肿瘤缩小并扭曲解剖结构，从而导致测量结果不可靠。此外，研究人员指出，虽然该系统在许多病例中非常准确，但在肿瘤边界不清晰或解剖结构异常时，仍需要人类医生进行审核。该工具不是为了取代外科医生的专业知识，而是一个提供清晰、客观起点的强大助手。通过使肿瘤的“隐形几何结构”变得可见且可测量，这一框架为标准化术前规划提供了一种新途径，有望带来更一致的手术结果和更好的患者护理。

技术摘要：用于食管胃结合部腺癌（AEG）术前 Siewert 分类的功能性智能体驱动计算解剖学研究

问题陈述
准确的食管胃结合部（EGJ）腺癌（AEG）术前 Siewert 分类对于确定手术方式、淋巴结清扫范围及预后分层至关重要。然而，目前的影像学工作流过度依赖于基于轴向 CT 或内镜的直觉判断。这种主观性导致了可重复性差、观察者间差异大以及潜在的误诊，尤其是在涉及局部晚期肿瘤、不规则形态或肿瘤与器官边界模糊的复杂病例中。此外，传统的内镜检查往往无法准确界定黏膜下浸润的纵向跨度。因此，迫切需要将 Siewert 分类的解剖学定义转化为一个标准化的、可计算且可追溯的术前影像学任务，从而超越依赖经验的解释模式。

方法论：FACET 框架
作者开发了 FACET（Functional Agent-driven Computational Anatomy EGJ Tool，功能性智能体驱动的 EGJ 计算解剖学工具），这是一个多智能体框架，旨在将主观的空间判断转换为对比增强 CT 上经过校准且可追溯的 3D 距离测量。不同于端到端的“黑盒”分类模型，FACET 将该问题分解为由功能性智能体编排的一系列具有解剖学基础且可临床测量的子任务。

该工作流由四个主要阶段组成：

感知智能体（Perception Agent）： 利用两个针对特定解剖结构的 nnU-Net 模型（基于手动标注数据集训练），生成胃部和食管肿瘤的候选体积。此阶段优先考虑敏感性以捕捉所有相关成分，将严格的解剖约束推迟到后续步骤。
结构选择与路径建模智能体（Structure Selection and Path Modeling Agents）：
- 结构选择智能体 应用解剖学约束来过滤分割噪声、解决歧义，并基于空间连续性选择合理的成分。它使用临床提供的肿瘤起始点作为空间锚点。
- 路径建模智能体 在沿胃壁的黏膜表面约束搜索空间内构建路径。它采用从锚点开始的 3D 广度优先搜索（BFS）算法，生成连续的肿瘤主轴路径。肿瘤中点被定义为测地路径长度一半处的点，这确保了其符合弯曲的解剖结构而非欧几里得空间。
界面推理智能体（Interface Reasoning Agent）： 该智能体利用层次化、证据驱动的决策策略定位食管胃结合部（EGJ）界面点。它将 EGJ 解剖学定义为管状远端食管与胃贲门/底部的过渡区域（区别于黏膜 Z 线）。该智能体根据可用的结构证据执行四种策略：
- 基于交集的策略： 评估胃部和食管肿瘤候选区域之间的空间重叠情况。
- 基于投影的策略： 若无法直接连接，则选择距离候选重叠区域最近的路径位置。
- 距离平衡策略： 当不存在重叠时，识别距离两个肿瘤腔室距离差最小的点。
- 管腔密度回退策略： 当结构证据不足时，分析局部管腔密度的变化。
分类模块： 计算肿瘤中点与推断的 EGJ 界面之间的测地距离 ( $d$ )。应用校准因子 ( $k=0.7$ ) 进行修正（即 $d' = k \times d$ ），以协调体内 CT 测量值与体外病理标本尺寸之间的差异。根据校准后的距离边界进行 Siewert 分型：I 型 ( $d' < -1.0$ cm)，II 型 ( $-1.0 \le d' \le 2.0$ cm)，以及 III 型 ( $d' > 2.0$ cm)。

整个工作流实现为一个交互式桌面应用程序，支持 3D 可视化、解剖学测量以及对中间输出（掩膜、路径、界面点）进行可选的临床验证。

核心贡献

计算解剖学范式： 本研究并非将 Siewert 分类视为直接的“图像到标签”预测，而是将其重新定义为一个涉及感知、推理和基于规则决策的结构化计算解剖学工作流。
可追溯性与可解释性： 通过将过程分解为模块化智能体，中间结果（如肿瘤中点、EGJ 界面）是可供临床医生检查和修正的，这使该系统区别于不透明的深度学习模型。
解剖学校准： 引入校准因子 ( $k=0.7$ ) 解决了体内 CT 测量与术后病理标本之间的系统性尺度差异，使计算输出与既定的病理标准保持一致。
黏膜表面测地线建模： 在黏膜约束的搜索空间中使用 3D BFS，提供了比线性或轴向测量更符合解剖学真实的肿瘤范围表示。

结果
本研究是一项回顾性多中心诊断准确性研究，涉及三个队列共 176 名患者：开发队列 ( $n=70$ )、内部验证队列 ( $n=61$ ) 和外部验证队列 ( $n=45$ )。组织病理学 Siewert 分类作为金标准。

开发队列： 准确率达到 71.4%，AUC 为 0.721。
内部验证队列： 准确率达到 82.0%，AUC 为 0.927。
外部验证队列： 准确率达到 73.3%，灵敏度为 69.7%，特异度为 83.3%，AUC 为 0.770。平衡准确率为 76.5%。

该系统在独立的外部队列中表现出中等程度的判别能力，其性能指标随队列中 Siewert 类型分布的变化而变化（例如，由于外部队列中 I 型/II 型肿瘤盛行率较高，其阳性预测值达到了 92.0%）。

意义与主张
作者声称 FACET 将主观的影像学解释转变为可重复的 3D 解剖学评估。该框架被定位为一种可追溯的决策支持工具，而非专家评估的替代品。其主要意义在于能够标准化 AEG 的术前 Siewert 分类过程，使其不再过度依赖于个体放射科医生的经验，而是基于可测量的解剖数据。

论文谨慎地总结道，虽然独立的外部队列结果支持了跨机构应用的可行性，但该系统目前表现出“中等程度的判别力”。作者强调，需要进一步的临床前瞻性验证，特别是针对接受过新辅助治疗（本研究将其排除在外）以及存在显著解剖畸变（如大型食管裂孔疝）的患者。该研究将 FACET 定位为减少观察者间差异并提高 AEG 患者术前多学科协作规划标准化水平的重要一步。

类似论文