基于MRI深度学习的头颈部鳞癌PD-L1表达无创预测及免疫治疗预后分层模型开发与验证

本研究针对头颈部鳞癌(HNSCC)免疫治疗中PD-L1表达评估的临床挑战，开发了一种基于多序列MRI的深度学习评分(DLS)系统。研究人员通过610例患者的多中心队列数据，采用ResNet-101网络结合注意力机制，实现了PD-L1表达状态的非侵入性预测(AUC达0.981)，并证实DLS可有效预测免疫检查点抑制剂(ICI)治疗的持久临床获益(DCB)和患者无进展生存期(PFS)。该成果为HNSCC精准免疫治疗决策提供了创新性影像学生物标志物。

　　

头颈部鳞状细胞癌(HNSCC)作为全球第六大高发癌症，每年导致约50万患者死亡。尽管免疫检查点抑制剂(ICI)为晚期患者带来希望，但临床面临关键瓶颈：仅20-30%患者对PD-1/PD-L1抑制剂产生应答。当前PD-L1检测依赖有创活检和免疫组化(IHC)，存在肿瘤异质性、染色变异等局限性。如何实现PD-L1表达的无创、动态评估，成为优化免疫治疗决策的迫切需求。

首都医科大学附属北京同仁医院放射科的研究团队创新性地将深度学习技术与多参数MRI相结合，开发出深度学习评分(DLS)系统。这项发表于《Cancer Imaging》的研究通过四组患者队列(共610例)，证实DLS不仅能高精度预测PD-L1表达状态，还可有效识别免疫治疗获益人群。该成果为HNSCC精准医疗提供了突破性的决策工具。

研究采用三大关键技术方法：(1)基于ResNet-101架构构建深度学习模型，融合T1WI、T2WI和CE-T1WI三序列MRI特征；(2)应用Transformer注意力机制实现多模态特征优化整合；(3)通过Grad-CAM可视化技术增强模型可解释性。数据来自两个医疗中心的治疗前MRI和配对病理标本，外部验证队列包含134例独立患者。

模型开发与性能验证

研究团队设计的DLS在训练队列中预测PD-L1表达(AUC=0.981)，内部和外部验证队列分别达到0.860和0.803。对比单序列模型，多序列融合使特异性提升至0.756-0.797。决策曲线分析证实DLS具有最佳临床适用性，校准曲线显示优异的一致性(Brier评分<0.2)。

预后预测价值

生存分析显示，高DLS组患者PFS显著延长，内部验证队列风险比(HR)为0.491，外部队列HR=0.617。在94例ICI治疗患者中，DLS预测DCB的AUC达0.739，证实其指导免疫治疗的潜力。

机制解释性分析

Grad-CAM热图揭示模型关注区域与PD-L1表达的空间分布特征高度吻合，尤其聚焦肿瘤边缘区域——这与既往发现的PD-L1"外周富集"现象一致，从影像学角度验证了肿瘤-免疫微环境相互作用。

这项研究建立了首个基于MRI的深度学习系统，实现HNSCC患者PD-L1表达的无创评估和免疫治疗预后分层。其创新价值体现在三方面：(1)突破活检局限，通过常规MRI扫描即可获取PD-L1状态；(2)多中心验证证实模型稳健性，AUC稳定性跨越不同扫描设备和人群；(3)首次证实影像学特征与免疫治疗响应的直接关联。值得注意的是，研究同时揭示了技术局限性，如小病灶自动分割的挑战，以及PD-L1低表达患者中仍存在的免疫治疗应答现象，这为未来研究指明了方向。该成果为推进HNSCC精准免疫治疗提供了可临床转化的决策工具，有望改变现有治疗范式。