基于公开自动化机器学习平台的术前CT影像诊断模型助力鼻窦内翻性乳头状瘤恶变精准鉴别

本研究针对鼻窦内翻性乳头状瘤（IP）恶变为鳞状细胞癌（IP-SCC）的术前诊断难题，利用来自19个中心的CT影像数据，通过Google Cloud Vertex AI自动化机器学习（AutoML）平台构建深度学习模型，实现了95.8%的敏感性和99.7%的特异性，为术前的精准诊断和手术规划提供了可靠工具，显著降低了依赖侵入性活检和高端影像设备的诊断门槛。

　　

在鼻窦肿瘤的临床诊疗中，内翻性乳头状瘤（Inverted Papilloma, IP）作为最常见的良性软组织肿瘤，却具有不可忽视的恶变潜能——约7-10%的病例可能转化为IP相关鳞状细胞癌（IP-SCC）。这种转化不仅显著增加复发风险，更会根本改变手术方案与患者预后。然而，术前准确区分IP与IP-SCC一直存在巨大挑战：常规活检因取样误差可能导致漏诊，MRI和内镜虽能提供更多信息，却在全球许多地区（包括部分美国社区）难以普及。相比之下，计算机断层扫描（CT）更为普及，但其影像特征差异细微，即使对经验丰富的放射科和耳鼻喉科医生也存在诊断分歧。

在这一背景下，研究团队利用来自全球19个医疗中心的958例患者数据，共41099张CT影像切片，依托Google Cloud Vertex AI自动化机器学习（AutoML）平台，训练了一个深度二维图像分类模型。该模型仅凭术前CT影像，无需人工影像预处理或区域标注，即实现了对IP与IP-SCC的高精度区分。

本研究采用的关键技术方法包括：多中心回顾性数据集构建（来自19个机构、958例经病理验证的IP与IP-SCC患者）、CT原始影像处理（DICOM转JPEG，保留全帧与多平面影像）、基于AutoML的图像分类建模（使用Google Vertex AI平台自动完成架构搜索与训练），以及模型验证策略（随机划分为训练集80%、验证集10%、测试集10%）。

研究结果：

患者队列

研究纳入878例IP患者和80例IP-SCC患者，CT影像涵盖轴位、冠状位和矢状位视图，包括肿瘤可见与不可见的切片，以模拟真实临床场景。

模型表现

模型在测试集上曲线下面积（AUC）达99.8%，精确率-召回曲线表现优异，在置信阈值为0.5时精确率为99.2%。

测试分类性能

混淆矩阵显示，模型对IP的诊断正确率为99.7%，对IP-SCC的敏感度为95.8%，整体准确率达99.1%。仅0.3%的IP被误判为IP-SCC，4.2%的IP-SCC被误判为IP。

讨论与结论：

本研究成功验证了基于公开AutoML平台构建的深度学习模型，仅通过术前CT影像即可实现IP与IP-SCC的高精度鉴别，其性能（灵敏度95.8%，特异性99.7%）甚至优于以往依赖MRI和专家经验的诊断方法。这一成果凸显了自动化机器学习在医学影像分析中的三大优势：可及性（无需编码背景即可开发）、泛化能力（适应多中心、多设备、多扫描参数的异构影像）、以及临床转化潜力（减少对活检和MRI的依赖）。

然而，研究也存在一定局限性：数据集存在明显类别不平衡（IP与IP-SCC样本量差异大），模型决策过程缺乏可解释性（如显着的特征可视化），且尚未进行外部独立验证。此外，4.2%的IP-SCC假阴性率仍需引起重视，因漏诊恶性肿瘤可能延误手术与后续治疗。

未来工作应致力于融入多模态数据（如临床信息、基因组学、MRI）、应用可解释AI技术（如Grad-CAM）提升决策透明度，并通过前瞻性临床试验进一步验证模型效能。该研究为AI辅助诊断在鼻窦肿瘤领域的应用提供了重要范例，亦为资源有限地区带来了精准诊疗的新希望。

本文发表于《Communications Medicine》2025年第5卷。