基于18F-FDG PET影像的栖息地Transformer模型预测宫颈癌预后的双中心研究

本研究针对宫颈癌预后评估难题，开发了一种基于Transformer架构的深度学习模型。通过整合肿瘤内、瘤周及栖息地区域的18F-FDG PET影像组学特征，研究人员构建了多维度预测模型。结果表明，结合栖息地特征的Transformer模型在外部验证集中AUC达到0.823，显著优于传统模型，为宫颈癌个体化治疗策略制定提供了重要影像学生物标志物。

　　

宫颈癌作为全球第四大女性恶性肿瘤，其预后评估一直面临重大挑战。尽管同步放化疗（CCRT）已成为局部晚期宫颈癌的标准治疗方案，但约35%的患者仍会出现肿瘤复发，且复发后中位生存期仅10-12个月。传统临床指标如FIGO分期、组织学类型和淋巴结转移状态虽能部分预测预后，但相同分期患者仍存在显著疗效差异，表明需要更精准的生物标志物来识别高风险患者。

近年来，影像组学技术的发展为肿瘤异质性分析提供了新视角。通过从医学影像中提取高通量定量特征，放射组学能够非侵入性地表征肿瘤生物学行为。特别值得注意的是，瘤周区域的特征可能反映肿瘤的侵袭潜能，而新兴的栖息地影像组学技术则能更精细地刻画肿瘤内部不同功能亚区的异质性。与此同时，基于Transformer架构的深度学习模型在医疗影像分析领域展现出强大潜力，但其在宫颈癌预后预测中的应用尚未见报道。

在这项发表于《BMC Cancer》的研究中，Lai等人开展了一项双中心回顾性研究，探索基于18F-FDG PET影像的栖息地Transformer模型在预测宫颈癌总体生存期（OS）中的价值。研究纳来自南京鼓楼医院（机构1）和江苏省人民医院（机构2）的107例宫颈癌患者，所有患者均在治疗前两周内接受了18F-FDG PET/CT检查。

研究采用的主要技术方法包括：使用k-means无监督聚类算法将肿瘤及其4mm瘤周区域划分为四个不同的栖息地亚区；通过Pyradiomics模块从肿瘤内、瘤周和每个栖息地亚区提取1743个PET影像组学特征；构建基于Transformer架构的特征融合模型，包含嵌入层、多头自注意力机制和位置前馈网络；使用受试者工作特征曲线下面积（AUC）、校准曲线和决策曲线分析评估模型性能。

栖息区域特征分析

通过Calinski-Harabasz指数评估确定最优聚类数量为4个栖息地亚区。由于样本量限制，仅栖息地亚区1（H1）包含所有患者，因此研究重点分析了H1区域。可视化分析显示四个超体素类别在整个人群中的聚集模式，栖息地生成过程和具体特征分布通过典型特征图呈现。

Transformer模型性能比较

在四个栖息地亚区中，亚区2-4因病例数较少（训练集5-27例，验证集3-13例）可能导致模型训练不稳定，因此选择H1区域构建栖息地Transformer模型。结果显示，在训练集中，栖息地H1模型AUC为0.871（95% CI: 0.791-0.950），外部验证集AUC为0.778（95% CI: 0.612-0.944），表现优于肿瘤内Transformer模型（验证集AUC 0.714）和瘤周Transformer模型（验证集AUC 0.707）。而结合三种特征的组合Transformer模型表现最佳，训练集AUC达0.886（95% CI: 0.811-0.961），验证集AUC为0.823（95% CI: 0.677-0.970）。

模型验证与临床适用性

Delong检验显示，虽然四种模型在训练集和验证集的AUC差异未达到统计学意义，但组合Transformer模型仍表现出最优异的区分能力。校准曲线采用Hosmer-Lemeshow检验绘制，结果显示组合模型在预测概率方面显著优于其他模型。决策曲线分析进一步证实，组合Transformer模型在大多数阈值范围内具有更好的净收益，表明其具有更高的临床适用性。

研究结论表明，基于18F-FDG PET栖息地特征的Transformer模型能有效预测宫颈癌预后，而整合肿瘤内、瘤周和栖息地特征的组合模型进一步提高了预测准确性。这种方法为宫颈癌的精准风险分层和预后评估提供了新思路，有助于制定个性化治疗方案。

讨论部分强调，本研究首次将栖息地分析与Transformer架构相结合应用于宫颈癌预后预测，克服了传统放射组学方法假设肿瘤均匀分布的局限性。与既往研究相比，该方法的创新性在于利用Transformer的长程依赖建模能力，同时保留各通道特征的独立性，建立了分析肿瘤微环境异质性的新范式。

然而，研究也存在一定局限性：样本量较小且仅来自两个中心，限制了多栖息地亚区模型的开发；图像重建方法（如OSEM和LOR）的差异可能影响特征稳定性，尽管已通过重采样和对比度标准化进行处理；未纳入MRI和CT等多模态影像信息；临床特征也未纳入最终模型。未来研究可通过扩大样本量、纳入多模态影像和临床特征进一步优化模型性能。

总之，这项研究证明了基于Transformer的栖息地模型预测宫颈癌总体生存期的可行性和潜力，通过多维度特征整合可能提高诊断准确性，虽然仍需进一步验证和临床测试来评估其在指导个性化治疗策略方面的全部潜力。