NPC-SurvAI：基于深度学习的鼻咽癌预后预测与风险分层自动化框架

《Radiotherapy and Oncology》：NPC-SurvAI: A fully automated deep learning framework for prognostic prediction and risk stratification in patients with nasopharyngeal carcinoma

本文提出名为NPC-SurvAI的端到端深度学习框架，通过MRI图像自动分割（AttVNet）和预后评估（DenseNet-ICAM），结合临床指标（年龄/T/N分期/EBV DNA）实现鼻咽癌（NPC）患者无进展生存期（PFS）和总生存期（OS）的精准预测。多中心验证显示联合模型iAUC达0.838-0.894，显著优于单一模型，并能自动分层风险亚型（P<0.05），为个体化治疗决策提供新范式。

　　

^研究亮点

^{背景与目的}

深度学习能够无创描绘肿瘤的放射学表型。我们旨在提出名为NPC-SurvAI的端到端深度学习框架，利用磁共振成像（MRI）对鼻咽癌（NPC）进行预后评估。

^方法

这项回顾性研究纳入2180例接受基线MRI的NPC患者。NPC-SurvAI包含用于图像分割的AttVNet和用于预后评估的DenseNet-ICAM，评估指标涵盖无进展生存期（PFS）和总生存期（OS）。临床模型基于年龄、T分期、N分期和EBV DNA构建，图像模型与联合模型通过NPC-SurvAI框架开发。采用综合曲线下面积（iAUC）和时间依赖性AUC（tAUC）衡量预测准确性，通过K均值聚类和Kaplan-Meier生存分析将患者分层为不同亚型并比较预后。

^结果

在验证队列中，AttVNet实现0.726-0.764的肿瘤分割平均Dice相似系数。随时间变化的AUC动态曲线显示，联合模型在预测1-8年内的PFS（iAUC：0.838-0.884 vs 0.788-0.844 vs 0.738-0.798）和OS（iAUC：0.842-0.894 vs 0.793-0.853 vs 0.754-0.807）方面均优于临床模型和图像模型。特别值得注意的是，联合模型对3年PFS和5年PFS的tAUC分别达0.844-0.930和0.827-0.896，对3年OS和5年OS的tAUC分别为0.838-0.978和0.788-0.871。此外，患者可被分层为两个具有显著生存差异的亚型（所有P<0.05）。

^结论

NPC-SurvAI能自动区分不同预后的患者亚群，有助于临床医生优化治疗决策和随访方案。