背景:结直肠恶性肿瘤（colorectal cancer,CC）作为常见的消化道恶性肿瘤严重威胁着患者的生命。随着临床医生对直肠癌发病机制认识的不断深入,直肠癌的治疗形成了以手术治疗为主,联合放化疗治疗的综合治疗模式,不同的病人需要我们制定不同的治疗方案。科学治疗方案的制定将给患者带来更好的预后和更高的生活质量。患者治疗方案的制定依赖于准确的术前分期。磁共振成像（magnetic resonance imaging,MRI）作为首选的直肠癌检查方法,可以对直肠癌患者的肿瘤分期术前进行准确判定。以机器学习为主要代表的人工智能技术近年来在图像识别方面取得了显著成就,将人工智能引入图像识别当中,可在短时间内建立稳定可靠的图像识别和诊断平台。目的:本研究旨在通过运用深度神经网络学习直肠癌患者的高分辨磁共振T2加权图像,进而建立用于术前直肠癌T分期诊断的自动诊断平台。方法:回顾性收集我院183例直肠癌患者影像学资料及临床资料作为研究对象。将纳入的患者随机分为训练组（146例）和验证组（37例）,将训练组图像的肿瘤浸润最深的区域进行标注,使用更快的基于区域的卷积神经网络（Faster region-based convolutional neural networks,Faster R-CNN）构建平台,将训练组输入平台进行学习,完成平台的初步建立,再运用验证组对平台学习结果进行验证,采用受试者工作特征曲线（Receiver operating curve,ROC）和曲线下面积（Area under the curve,AUC）对平台进行评价。结果:通过对纳入患者的磁共振图像进行学习,建立了直肠癌T分期自动诊断平台。平台可对不同成像方位的图像进行准确判断（AUC=1.00）并识别病变所在位置;在不同成像方位上的ROC曲线下面积分别为:水平面AUC=0.99,矢状面AUC=0.97,冠状面AUC=0.98。在每个层面当中对于各分期识别的结果为:水平面,AUC（T1）=1.00、AUC（T2）=1.00、AUC（T3）=1.00、AUC（T4）=1.00;冠状面,AUC（T1）=0.96、AUC（T2）=0.97、AUC（T3）=0.97、AUC（T4）=0.97;矢状面,AUC（T1）=0.95、AUC（T2）=0.99、AUC（T3）=0.96、AUC（T4）=1.00结论:基于Faster R-CNN算法的人工智能识别系统是建立预测直肠癌T分期平台的一种有效而客观的方法。