基于3D CT成像的食管癌生存预测：非局部特征聚合与图空间交互的上下文感知方法

《IEEE Journal of Translational Engineering in Health and Medicine》：Survival Prediction of Esophageal Cancer Using 3D CT Imaging: A Context-Aware Approach With Non-Local Feature Aggregation and Graph-Based Spatial Interaction

本研究针对食管癌生存预测中肿瘤与淋巴结区域间上下文交互关系被忽视的瓶颈问题，开发了一种基于3D CT影像的深度学习模型。通过非局部特征聚合模块（NFAM）和图空间交互模块（GSIM），实现了对肿瘤和淋巴结区域的多尺度特征提取与空间关系建模。实验结果表明该方法在C-index指标上达到0.725的优异性能，为食管癌个性化治疗决策提供了可靠的辅助工具。

　　

食管癌作为全球癌症相关死亡的第六大原因，其五年总体生存率仅为18%，严重威胁人类生命健康。目前临床主要依赖美国癌症联合委员会（AJCC）制定的TNM分期系统进行风险分层和预后评估，但该体系在评估接受多模式治疗方案食管癌患者的长期生存方面预测准确性有限。值得注意的是，即使处于相同分期参数的患者，其生存轨迹也存在显著异质性，这种临床异质性严重制约了传统预后评估工具的可靠性。

传统生存预测方法基于患者年龄、性别、TNM分期等临床数据，其效果受限于临床异质性且数据收集耗时。随着放射组学的发展，通过医学影像提取生存相关信息成为新的研究方向。然而基于手工特征的放射组学方法在描述复杂肿瘤模式时灵活性不足，而现有深度学习模型大多依赖临床数据或组合输入，未能充分利用影像本身蕴含的预后信息。

针对这些挑战，福州大学与福建省立医院联合团队在《IEEE Journal of Translational Engineering in Health and Medicine》发表了一项创新研究，提出了一种基于3D CT成像的上下文感知方法。该方法仅使用CT影像数据，通过非局部特征聚合和图空间交互技术，有效捕捉肿瘤与淋巴结区域间的预后关联信息。

研究团队采用的技术方法主要包括：首先从福建省立医院获取352例食管鳞癌患者的术前CT扫描数据，经过严格的纳入排除标准筛选后，通过5折交叉验证进行模型训练与评估。核心技术架构包含三个关键模块：非局部特征聚合模块（NFAM）通过并行分支结构分别提取原发肿瘤（PT）和淋巴结（LNs）的视觉特征，采用最大池化和点卷积操作实现空间与通道维度的信息压缩；图空间交互模块（GSIM）基于图卷积网络（GCN）构建肿瘤与淋巴结的空间拓扑关系，通过多头注意力机制（MHA）和全局平均池化（GAP）突出生存风险关键信息；创新性地提出排序损失（Sort Loss）函数，有效利用删失数据提升预测稳定性。

模型性能比较分析

与现有主流方法相比，该模型展现出显著优势。在淋巴结主要轴径≥6mm的数据集上，该方法C-index达到0.687±0.018，较经典DeepSurv模型提升10.8%，较多任务学习模型DeepMTS提升1.9%。特别值得注意的是，基于视觉Transformer（ViT）的模型因采用2D输入忽略了切片间关联信息，而DeepMTS模型在没有PET多模态数据支撑时分割性能受限，均影响了最终预测效果。Kaplan-Meier生存曲线分析显示，该方法能显著区分高风险组和低风险组（P=5.551e-4），验证了其临床应用的可行性。

淋巴结尺寸影响机制

研究首次系统探讨了不同尺寸淋巴结组合对预测性能的影响。实验发现保留主要轴径≥8mm的淋巴结可获得最佳预测结果（C-index: 0.725±0.008），这与食管鳞癌淋巴结转移的平均短轴径7.9mm的临床观察一致。当阈值设置过低（≥6mm）会引入无关信息，而过高（≥9mm）则可能丢失关键预后信息。这一发现为临床影像学评估提供了量化依据，提示8mm可能作为淋巴结预后的重要尺寸临界点。

模块贡献度验证

通过消融实验系统评估了各模块的贡献：单独使用原发肿瘤特征时C-index为0.656±0.015，加入淋巴结分支后提升至0.725±0.008，证明淋巴结区域蕴含重要预后信息。压缩操作（最大池化和点卷积）通过促进全局信息传播使性能提升显著，而GSIM模块相较简单GAP操作能更有效地聚合节点间信息。排序损失函数的引入使模型能充分利用删失数据，进一步优化预测准确性。

模型稳健性测试

为模拟临床实践中淋巴结漏标情况，研究进行了随机丢弃实验。在淋巴结主要轴径≥8mm的数据集上，随机丢弃5%和10%淋巴结后C-index分别为0.714±0.010和0.723±0.014，表明模型在部分淋巴结信息缺失时仍保持可靠性能。这种稳健性源于图结构对节点缺失的适应性，以及多头注意力机制对关键信息的聚焦能力。

治疗因素影响分析

研究尝试将术后放化疗因素与影像特征进行多模态融合，但并未改善总生存期（OS）预测效果。这可能由于高维影像信息相对于治疗变量在模型学习中占主导地位。与先前研究策略一致，该模型最终仅使用术前CT扫描数据，证明单一影像模态足以实现准确的生存预测。

该研究通过创新性的网络架构设计，成功实现了仅基于3D CT影像的食管癌生存预测。NFAM模块的并行分支结构展现出良好扩展性，为未来整合更多肿瘤周边区域特征奠定了基础。GSIM模块对肿瘤与淋巴结空间交互关系的深入探索，使模型能全面理解淋巴结与癌症发展的关联机制。特别是对淋巴结预后临界尺寸的发现，为临床影像评估提供了重要参考。虽然当前研究基于单中心数据，但内部验证已充分证明模型有效性。未来通过纳入多中心数据、优化计算效率等改进，有望进一步推动该技术向临床转化应用，为食管癌个性化治疗提供更精准的决策支持。