第一部分 基于增强CT的大样本食管癌T分期研究1食管癌术前CT管壁厚度与病理T分期的大样本对照研究目的探讨食管癌术前CT管壁厚度与术后病理T分期的相关性,确定T分期的最佳管壁厚度阈值。资料与方法对2014年7月至2020年4月期间经术后病理证实的1102例原发性胸段食管鳞癌患者进行回顾性研究。所有患者均接受术前增强CT检查和手术切除治疗。根据术后病理分为pT1、pT2、pT3和pT4期四组。在轴位CT图像上测量食管病变的最大管壁厚度。计算并比较不同T分期食管癌的管壁厚度,组间比较采用两独立样本t检验或单因素方差分析。在每组病例中,随机选取90%的样本作为训练集,其余患者组成测试集,采用支持向量机（Support vector machine,SVM）的方法,利用线性核确定食管癌T分期的最佳管壁厚度阈值。结果1.pT1、pT2、pT3和pT4期食管癌的平均管壁厚度分别为4.9±2.6mm,8.1±2.3 mm,12.4±3.6 mm和18.6±4.4 mm。四组之间以及相邻两组（pT1和pT2、pT2和pT3、pT3和pT4）之间的管壁厚度均存在统计学差异（P＜0.001）。随着食管壁的增厚,病理T分期逐渐增高（pT1＜pT2＜pT3＜pT4）。2.通过支持向量机模型的构建和运行,结果显示区分pT1/2、pT2/3和pT3/4期食管癌的最佳管壁厚度阈值分别为5.5±0.3 mm、10.8±0.8 mm和15.9±0.5 mm,管壁厚度用于T分期预测的准确性为60.29±2.33%。结论术前CT管壁厚度与病理T分期密切相关,可以用于食管癌T分期的术前预测,通过大样本模型的建立,其预测T分期的准确性为60%。2不同CT征象在可切除食管癌T分期诊断中的价值目的探讨不同CT征象在可切除食管癌T分期诊断中的价值。资料与方法对2014年7月至2020年4月期间经术后病理证实的1102例原发性胸段食管鳞癌患者进行回顾性研究。所有患者均接受术前增强CT检查和手术治疗。根据术后病理分期分为pT1、pT2、pT3和pT4期四组。由两名主治以上医师对各组患者的CT图像进行评估,评估内容包括病变是否可见、食管壁有无增厚、周占比、残环征、环周征、外轮廓是否光整及低强化外壁征。其中,周占比是指在轴位CT图像中选取病变累及食管壁范围最大的层面,将食管壁的一周十等分,计算病变累及食管壁的比例,其范围介于0-1之间。当周占比＜1时,残留的正常食管壁即为残环征;当周占比=1时,即为环周征。外轮廓光整是指病变累及范围内管壁外轮廓均显示光整,否则为外轮廓不光整。在增强CT扫描中食管癌强化常早于正常食管壁,在增强早期已经开始强化的肿瘤组织与尚未充分强化的食管外壁形成对比,CT图像显示为内高外低的强化差异,其低强化的食管外壁若连续完整,则定义为低强化外壁征。结果1.pT1、pT2、pT3和pT4期合并管壁增厚的比例分别为16%（31/199）、95%（128/135）、100%（626/626）和100%（142/142）,pT1a和pT1b期合并管壁增厚的比例分别为4%（4/100）和 27%（27/99）。2.在管壁增厚的食管癌中,pT1、pT2、pT3和pT4期出现残环征的比例分别为100%（31/31）、80%（102/128）、24%（153/626）和 9%（13/142）,出现环周征的比例 分别为 0%（0/31）、20%（26/128）、76%（473/626）和 91%（129/142）。3.残环征在pT1a、pT1b和pT2期食管癌总人群中的发生比例分别为4%（4/100）、27%（27/99）和 76%（102/135）,pT1a、pT1b 和 pT2 期的周占比分别为 0.4±0.1、0.4±0.1 和 0.6±0.2。4.pT3和pT4期患者食管外轮廓光整的比例分别为63%（394/626）和20%（28/142）,pT1-2期患者的食管外轮廓均显示光整。外轮廓不光整诊断食管癌侵犯纤维膜的灵敏度为0.45,特异度为1。5.pT1a、pT1b和pT2期食管癌可检出病灶中,低强化外壁征出现的比例分别为50%（3/6）、45%（22/49）和27%（36/131）,pT3-4期患者均未见低强化外壁征。低强化外壁征主要见于动脉期,占90%（55/61）。结论1.食管壁是否增厚是区分pT1和pT2-4期食管癌的重要依据。2.残环征高度提示病变处于pT1-2期。由于pT1-2期食管癌均可呈残环征,可以从残环征出现概率及周占比角度对pT1-2期病变予以区分,pT1a、pT1b期出现概率以及周占比均小于pT2期。3.环周征提示病变多处于pT3-4期。4.外轮廓不光整诊断食管癌侵犯纤维膜的特异度高,但灵敏度偏低,仅0.45。5.低强化外壁征对pT1-2期食管癌的诊断有重要价值,该征象主要出现在动脉期,对于早期食管癌的诊断与分期均应重点观察动脉期CT图像。3不同T分期食管癌的CT检出情况及影像学表现目的探讨不同T分期食管癌在增强CT中的检出率及影像学表现。资料与方法对2014年7月至2020年4月期间经术后病理证实的1102例原发性胸段食管鳞癌患者进行回顾性研究。所有患者均接受术前CT检查以及手术治疗。根据术后病理分为pT1、pT2、pT3和pT4期四组。评估不同T分期食管癌在增强CT中的检出情况。同时,通过分析各期食管癌在CT图像中的特点,总结各T分期食管癌的影像表现,确定增强CT在食管癌T分期中的价值。结果1.pT1、pT2、pT3、pT4 期食管癌的检出率分别为 28%（55/199）、97%（131/135）、100%（626/626）和100%（142/142）。pT1a 和pT1b期食管癌的检出率分别为6%（6/100）和50%（49/99）。值得注意的是,能被检出的pT1期食管癌的大体类型以蕈伞型为主,其次为隆起型;未被检出的pT1期食管癌的大体类型以表浅型和凹陷型为主。2.各T分期食管癌的影像表现:①pT1期食管癌管壁多无增厚（84%）;pT1a期食管癌主要表现为管壁无增厚,病变不可见（94%）;pT1b期食管癌主要表现为病变不可见（51%）,其次为残环征（27%）和黏膜面异常强化（22%）;②pT2期食管癌主要表现为管壁轻度增厚（95%）,残环征（76%）为其典型表现,其次为轻度环周征（19%）;③pT3期食管癌主要表现为不同程度的管壁增厚（100%）,环周征（76%）为其主要表现,食管外轮廓既可以光整（63%）也可以不光整（37%）;④pT4期食管癌主要表现为环周性管壁增厚,外轮廓多不光整且伴邻近心包、胸膜、奇静脉或膈肌等受累。结论1.pT1期食管癌检出率偏低,大体类型是pT1期病变能否被CT检出的主要影响因素。2.各T分期食管癌的鉴别要点:①大部分pT1期与pT2期在CT图像上是可以区分的,二者区分的主要依据为食管壁是否增厚,管壁无增厚提示pT1期,管壁增厚提示pT2期;少数蕈伞型和隆起型pT1b期与pT2期不易区分。②pT2和pT3期主要鉴别依据是残环征和环周征,残环征高度提示pT2期,环周征提示pT3期。③pT3和pT4期均主要表现为环周征,二者区分的关键在于病变与邻近结构的关系。第二部分 基于深度学习技术的CT食管癌自动分割和T分期研究目的探讨基于深度学习算法构建的模型在CT食管癌自动分割和T分期中的可行性。资料与方法收集2014年7月至2021年2月期间经病理证实的600例胸段食管鳞癌患者的临床及影像资料进行回顾性研究,其中男性477例,女性123例,平均年龄63±8岁,T1、T2、T3和T4期患者的比例为1:1:1:1。CT资料按4:1的比例进行随机分组。数据集一（480例）用于构建基于U-Net神经网络的食管癌自动分割模型和基于影像组学的食管癌T分期模型。然后,将自动分割模型和T分期模型进行整合,构建一个两阶段的自动T分期模型。对数据集一的480例食管癌原发灶进行手动勾画。数据集二（120例）用于自动T分期模型的测试和评价,该数据集由未经处理的原始DICOM数据组成并且不暴露在整个算法模型训练过程中。采用骰子相似系数（Dice similarity coefficient,DSC）和平均交并比（Intersection over Union,mIoU）对分割模型的性能进行评价。通过受试者操作特征曲线（Receiver operating characteristic,ROC）评估T分期模型的诊断效果,并与初级和高级放射科医生进行比较。结果1.分割任务中,基于3D-UNet模型的自动分割效果优于2D-UNet模型（DSC,0.875±0.012 比 0.846±0.007;mIoU,0.907±0.014 比 0.885±0.005）。2.分期任务中,采用pyradiomics软件总共提取了 827个影像组学特征,通过最小绝对收缩与选择算子（Least absolute shrinkage and selection operator,LASSO）回归模型筛选出9个特征,进一步用所选特征和支持向量机分类器构建T分期模型,该模型在T1、T2、T3和T4期食管癌预测中的曲线下面积（Area under the curves,AUCs）分别为 0.94、0.81、0.92 和 0.97。3.通过分割模型和T分期模型的整合实现了端到端的食管癌自动T分期预测,结果显示T1、T2、T3和T4期食管癌的AUCs分别为0.94、0.76、0.74和0.88。自动T分期模型、初级放射科医生和高级放射科医生T分期的准确率分别为63.33%、53.33%和 79.16%。结论基于深度学习算法构建的模型可以对食管癌进行高质量的自动分割,端到端的T分期模型的诊断性能优于初级放射科医生,人工智能在辅助食管癌分期诊断方面具有潜在临床应用前景。