近年來，直腸癌已成為全球癌癥相關死亡的主要原因之一，其發病率和死亡率在惡性腫瘤中名列前茅。根據世界衛生組織的數據，全球每年新增直腸癌病例超過70萬例，發展中國家的這一數字呈持續上升趨勢[1]。直腸癌的高死亡率與其隱匿的早期癥狀、診斷延遲以及淋巴結轉移（LNM）的頻繁發生密切相關。LNM是決定疾病進展和預后的關鍵因素，直接影響治療策略的選擇和患者的長期生存。正如國家綜合癌癥網絡指南所建議的，對于無LNM的低風險直腸癌患者，首選治療方法是手術切除；而對于伴有LNM的局部晚期直腸癌患者，則建議在手術前進行新輔助化療[2]。這些治療策略的制定從根本上依賴于對LNM狀態的準確術前評估。

LNM是直腸癌的主要轉移途徑，也是術后復發和死亡的重要風險因素[3]。研究表明，20%至40%的直腸癌患者在診斷時已出現LNM，LNM狀態與局部復發率、遠處轉移率和5年生存率有顯著相關性[4]。雖然手術切除仍是直腸癌治療的基石，但它具有高侵入性、高昂的成本和較高的術后并發癥風險。結直腸癌患者的術后死亡率大約在3%到6%之間[5]。早期直腸癌的LNM發生率相對較低，這些患者可能適合采用內鏡下局部切除等微創方法來降低過度治療的風險[6]。然而，確診為淋巴結轉移的患者需要更廣泛的手術切除范圍和更積極的治療策略。因此，術前準確評估淋巴結狀態對于腫瘤分期、治療計劃和預后評估具有重要意義。

盡管術前評估LNM至關重要，但其診斷準確性仍是一個重大的臨床挑戰。目前的臨床評估方法主要包括放射學技術，如計算機斷層掃描（CT）、磁共振成像（MRI）和正電子發射斷層掃描-計算機斷層掃描（PET-CT）[7]。其中，動脈相位（ART）和門靜脈相位（PV）增強CT的多相位成像能夠提供腫瘤的血流動力學特征，從而更精確地評估腫瘤范圍和淋巴結轉移狀態。然而，傳統的成像診斷方法依賴于操作者的主觀解讀，存在診斷重復性低等局限性。特別是在LNM診斷中，轉移性和良性淋巴結之間的形態學差異很小，使用傳統方法容易導致誤診和漏診[8]。因此，開發高效準確的計算機輔助診斷系統已成為直腸癌圖像分析的關鍵研究方向。

近年來，深度學習技術在直腸癌圖像分析中的應用日益受到關注，尤其是在腫瘤分割和淋巴結分類等任務上。卷積神經網絡（CNN）在CT和MRI上分割直腸腫瘤方面表現出色，利用分層特征提取來描繪復雜的解剖結構[9]。然而，這些模型大多基于單相位成像數據進行訓練，缺乏捕捉雙相位CT掃描中互補的血管和形態學線索的能力。因此，它們在低腫瘤對比度的情況下表現不佳，且在跨不同患者群體的泛化能力上也存在局限。另一方面，傳統的LNM診斷方法，尤其是基于放射組學和手工特征的方法，由于依賴于手動感興趣區域（ROI）標注，存在較高的觀察者間變異性和較差的穩健性[10]。這些局限性凸顯了需要一個能夠同時進行準確分割和轉移診斷的集成解決方案，同時以可解釋和高效的方式融合相位特異性特征。

雙任務學習（Dual-task Learning, DTL）在醫學圖像分析中成為一個有前景的范式，特別是在多個任務共享潛在解剖或病理特征的情況下。通過聯合優化相關任務（如病變分割和疾病分類），DTL框架能夠實現特征的重用，減少過擬合，并提高在不同臨床環境下的泛化能力[11]。在直腸癌的背景下，腫瘤形態和淋巴擴散之間存在內在聯系：準確分割腫瘤邊界為淋巴結評估提供了關鍵的空間背景，而淋巴結受累通常對應于鄰近組織的不同侵襲模式。利用這種雙向協同作用，DTL能夠捕獲比單任務模型更豐富的表示。此外，它還促進了共享特征提取流程，從而實現更高效和緊湊的網絡架構。盡管有這些優勢，但目前DTL在直腸癌中的應用仍然有限，往往缺乏特定于任務的一致性約束或整合多相位成像信息的機制，這進一步推動了針對雙相位CT分析的統一DTL框架的開發。

為了解決這些挑戰，我們提出了CAD-Net，這是一個新穎的跨相位注意力驅動的雙任務學習框架，旨在從雙相位CT圖像中同時進行直腸腫瘤分割和LNM診斷。通過利用動脈相位和門靜脈相位之間的互補性，CAD-Net旨在克服現有單相位和單任務方法的局限性。我們設計的核心是跨相位注意力特征交互單元（Cross-phase Attention Feature Interaction Unit, CAFI-Unit），它通過時空注意力機制動態融合相位特異性特征。該模塊增強了關鍵診斷線索的表示，例如動脈相位圖像中的腫瘤血管生成和靜脈相位掃描中的淋巴增強特征。為了進一步支持多尺度解剖理解，我們加入了雙路徑分層融合編碼器（Dual-path Hierarchical Fusion Codec, DHF-Codec），該編碼器整合了不同成像相位中的細粒度邊界細節和全局上下文模式�？紤]到病變結構和淋巴結受累之間的相互依賴性，我們引入了雙任務一致性正則化策略，明確對齊分割和分類分支的輸出。這一機制不僅提高了復雜腫瘤區域的邊界精度，還增強了LNM預測的診斷信心。與將分割和分類視為獨立或松耦合任務的先前方法不同，我們的統一DTL框架充分利用了它們的空間和病理協同作用，同時保持了計算效率和可解釋性。在公開的LNMCR數據集上進行的廣泛實驗表明，CAD-Net在分割準確性和LNM診斷方面顯著優于現有最先進模型。這些結果證實了CAD-Net作為改進直腸癌術前決策的有效且具有臨床價值的工具的潛力。