使用增强CT的深度学习模型预测口咽鳞状细胞癌患者的总生存期：一项前瞻性多中心研究

《European Radiology》：Deep learning model using contrast-enhanced CT for predicting overall survival in oropharyngeal squamous cell carcinoma: a prospective multicenter study

基于CT影像的深度学习临床签名（DLCS）可有效预测头颈部鳞状细胞癌（OPSCC）患者总生存期（OS），C-index内判0.856，外判0.783，支持精准分型和个体化治疗。

　　

摘要

背景

对于口咽鳞状细胞癌（OPSCC）患者而言，准确的风险分层对于制定个性化治疗和监测方案至关重要。本研究开发并验证了一个深度学习（DL）模型，该模型基于增强CT扫描（CECT）数据来预测患者的总生存期（OS）。

材料与方法

共有269名患者来自三个中心，他们被分为训练组（n=144）、内部验证组（n=56）和外部验证组（n=69）。此外，还设立了一个前瞻性队列（n=50）用于基于HPV的亚组分析。通过多变量Cox回归选择了临床和语义CT特征。使用PyRadiomics工具提取了放射组学特征。基于Swin Transformer V2框架开发了一个DL模型来评估OS风险。通过SHAP值和Grad-CAM方法评估了模型的可解释性。通过整合临床因素、手工制作的放射组学特征以及DL模型评分，构建了综合模型。通过C指数、时间依赖的ROC分析、校准评估和决策曲线分析等方法评估了该模型的预测准确性和临床实用性。Kaplan-Meier分析基于X-tile确定的最佳切点进行。

结果

深度学习-临床特征组合（DLCS）表现最佳，其C指数分别为0.856（内部验证）和0.783（外部验证）。该模型能够准确预测1年、3年和5年的OS，具有稳健的校准能力，并具有临床应用价值。DLCS能够有效将患者分为高风险组和低风险组，并在不同HPV亚组中保持预测一致性。

结论

基于CECT的DLCS为OPSCC提供了可靠的OS预测和风险分层，支持个性化临床决策和精准医疗。

要点

问题 OPSCC的预后预测对于个性化治疗至关重要，但现有的临床工具在准确性和无创性方面存在不足。发现 DLCS整合了影像学和临床数据，实现了OPSCC的精确OS预测和稳健的风险分层。临床意义 DLCS为OPSCC提供了一种新型、无创且准确的预后工具，能够区分高风险患者和低风险患者，从而支持个性化治疗策略并优化临床决策。

图形摘要

背景

对于口咽鳞状细胞癌（OPSCC）患者而言，准确的风险分层对于制定个性化治疗和监测方案至关重要。本研究开发并验证了一个深度学习（DL）模型，该模型基于增强CT扫描（CECT）数据来预测患者的总生存期（OS）。

材料与方法

共有269名患者来自三个中心，他们被分为训练组（n=144）、内部验证组（n=56）和外部验证组（n=69）。此外，还设立了一个前瞻性队列（n=50）用于基于HPV的亚组分析。通过多变量Cox回归选择了临床和语义CT特征。使用PyRadiomics工具提取了放射组学特征。基于Swin Transformer V2框架开发了一个DL模型来评估OS风险。通过SHAP值和Grad-CAM方法评估了模型的可解释性。通过整合临床因素、手工制作的放射组学特征以及DL模型评分，构建了综合模型。通过C指数、时间依赖的ROC分析、校准评估和决策曲线分析等方法评估了该模型的预测准确性和临床实用性。Kaplan-Meier分析基于X-tile确定的最佳切点进行。

结果

深度学习-临床特征组合（DLCS）表现最佳，其C指数分别为0.856（内部验证）和0.783（外部验证）。该模型能够准确预测1年、3年和5年的OS，具有稳健的校准能力，并具有临床应用价值。DLCS能够有效将患者分为高风险组和低风险组，并在不同HPV亚组中保持预测一致性。

结论

基于CECT的DLCS为OPSCC提供了可靠的OS预测和风险分层，支持个性化临床决策和精准医疗。

要点

问题 OPSCC的预后预测对于个性化治疗至关重要，但现有临床工具在准确性和无创性方面存在不足。发现 DLCS整合了影像学和临床数据，实现了OPSCC的精确OS预测和稳健的风险分层。临床意义 DLCS为OPSCC提供了一种新型、无创且准确的预后工具，能够区分高风险患者和低风险患者，从而支持个性化治疗策略并优化临床决策。

图形摘要