基于机器学习的头颈癌治疗结果预测：整合临床、血液及影像数据的探索性研究

《International Journal of Computer Assisted Radiology and Surgery》：Machine learning-based treatment outcome prediction in head and neck cancer using integrated noninvasive diagnostics

本研究针对头颈鳞癌(HNSCC)患者术后生存率和饲管依赖预测难题，通过整合临床数据、常规血液标志物和MRI影像组学特征，构建随机森林模型。结果显示临床数据对一年生存预测最具价值(AUC=0.75)，而术后治疗信息对饲管依赖预测有重要意义。虽多模态整合未显著提升性能，但为个性化治疗提供了新思路。

　　

头颈鳞状细胞癌(HNSCC)作为全球第七大常见恶性肿瘤，其治疗策略选择一直面临重大挑战。手术虽然是早期患者的首选治疗方案，但术后一年生存率和长期营养支持需求存在显著个体差异。传统TNM分期和HPV状态等预后指标难以全面捕捉疾病异质性，而饲管依赖等功能结局指标又直接影响患者生活质量。在这一背景下，荷兰癌症研究所的Melda Yeghaian等学者在《International Journal of Computer Assisted Radiology and Surgery》发表研究，探索机器学习技术整合多源数据预测头颈癌术后结局的可行性。

研究团队回顾性纳入558例手术治疗的HNSCC患者，采集基线临床参数(34项)、常规血液标志物(18项)和MRI影像组学特征(107项)，并记录术后一年内辅助治疗情况。通过十折分层交叉验证训练随机森林分类器，分别预测一年生存率和饲管依赖情况。模型可解释性采用SHAP值分析，数据处理运用多元迭代插补法处理缺失值，类别不平衡问题通过SMOTE和Tomek链接组合策略解决。

患者特征

最终队列中86%患者存活满一年，仅9%需要长期饲管支持。值得注意的是，仅35%患者拥有完整的多模态数据（特别是MRI影像），这在一定程度上限制了影像组学分析的统计效能。

预测治疗结果

在生存预测方面，临床数据展现出最优性能(AUC=0.75±0.10；p<0.001)，血液标志物(AUC=0.67±0.09)和影像特征(AUC=0.67±0.17)预测能力中等。多模态整合并未带来显著提升(AUC=0.68±0.16)。

饲管依赖预测更具挑战性，所有单模态预测性能均较低(AUC≤0.66)。但引入术后治疗信息后，血液数据预测能力提升至AUC=0.70±0.12，且该单一特征本身即表现出一定预测价值(AUC=0.67±0.07)。

分类器可解释性

SHAP分析揭示T分期、N分期是生存最强预测因子，血液中白蛋白、血红蛋白(Hb)和C反应蛋白(CRP)水平也具有重要贡献。

影像组学中灰度共生矩阵(GLCM)相关性和一阶峰度等纹理特征表现突出。对于饲管依赖，肿瘤解剖形态特征（如最小轴长度）和电解质指标（镁、钾）成为关键预测因子。

讨论与结论

本研究证实临床数据仍是HNSCC术后生存预测的最可靠依据，而术后治疗信息对饲管依赖预测具有独特价值。多模态整合未达预期效果可能源于特征维度灾难和模态间信息冗余。研究局限性包括单中心回顾性设计、MRI数据不全和类别不平衡等问题。未来需通过更大规模多中心队列、细化治疗特征记录以及探索深度学习等方法进一步提升预测效能。这项工作为头颈癌精准医疗提供了重要理论基础，指明了多模态数据整合在功能结局预测中的发展方向。