《Gastric Cancer》：Transformer-based skeletal muscle deep-learning model for survival prediction in gastric cancer patients after curative resection
编辑推荐：
为解决胃癌（GC）患者生存预测问题，研究人员开展基于骨骼肌 CT 成像的 Transformer - 骨骼肌深度学习（SMDL）模型研究。结果显示该模型预测性能优异，能辅助临床决策，对胃癌患者的治疗具有重要意义。
在全球范围内，胃癌是严重威胁人类健康的常见恶性肿瘤，在 2020 年全球癌症统计数据中，它位列第五大常见癌症，也是癌症相关死亡的第四大原因。与多数实体肿瘤类似，胃癌病情进展常与厌食程度及潜在代谢改变相关。近年来，体成分分析在营养评估方面取得进展，其中肌少症（一种表现为肌肉量和力量减少的体成分参数）备受关注，它与患者不良临床结局密切相关，在胃癌患者中也较为常见，占比 7 - 70%。然而，目前肌少症的诊断缺乏统一全球标准，且利用骨骼肌大小评估胃癌预后存在局限，无法反映肌肉微观和宏观结构及成分变化。CT 虽能测量骨骼肌质量，但其中丰富的肌肉信息未被充分利用。
为了更精准地预测胃癌患者的生存情况，为临床治疗提供有力支持，来自暨南大学附属第一医院等机构的研究人员开展了一项多中心回顾性研究。他们开发并评估了一种基于 Transformer 的骨骼肌深度学习（SMDL）模型，利用术前第三腰椎（L3）水平的骨骼肌 CT 成像数据，预测胃癌患者根治性切除后的生存情况。研究成果发表于《Gastric Cancer》。
研究人员主要运用了以下关键技术方法：首先，从两个中心回顾性筛选出 2008 年 4 月至 2020 年 12 月期间接受根治性胃切除术（R0 切除）的患者作为研究对象，根据纳入和排除标准确定最终研究队列，并将其分为训练队列、内部验证队列和外部验证队列。其次，使用 DARWIN 人工智能研究平台对患者腹部 CT 图像进行骨骼肌半自动分割，计算骨骼肌指数（SMI）等参数。最后，以 Transformer 为网络框架构建 SMDL 模型，并运用多种数据增强方法提升模型训练效果，通过与其他人工智能模型及传统体成分参数对比，评估模型性能。
研究结果如下：
- 患者特征：共有 1647 名患者符合研究要求，平均年龄 57.1 [10.8] 岁，男性占 65.3%。随访期间，38.0% 的患者出现局部或远处复发，34.2% 的患者死于胃癌。
- SMDL 模型的预测性能：在四个人工智能模型中，基于 Transformer 的 SMDL 模型在预测无进展生存期（RFS）和疾病特异性生存期（DSS）方面表现最佳。在内部验证队列中，预测 RFS 的曲线下面积（AUC）达到 0.858（95% 置信区间 0.843 - 0.871），预测 DSS 的 AUC 为 0.841（95% 置信区间 0.825 - 0.853）；在外部验证队列中，预测 RFS 的 AUC 为 0.791（95% 置信区间 0.776 - 0.802），预测 DSS 的 AUC 为 0.806（95% 置信区间 0.791 - 0.818）。且该模型 AUC 值显著高于传统体成分参数。
- 模型评分与胃癌预后的关系：经单因素和多因素 Cox 回归分析，模型评分是胃癌患者生存的强独立预后因素。在亚组分析中，模型评分对 RFS 和 DSS 的影响在各亚组中一致，在胃窦癌、男性、年龄≥65 岁和 II 期肿瘤患者中，模型评分与 DSS 的关联更强。
- SMDL 模型的预后分层：根据最佳截断点将患者分为高、低风险组，SMDL 模型能准确对胃癌患者进行预后分层，在预测 RFS 方面优于 TNM 分期系统，且能有效识别疾病特异性死亡的高风险患者。而研究中定义的肌少症在各队列中预测能力较差，与患者生存结局无显著关联。
- 与临床病理变量的整合：将 SMDL 模型特征与临床病理变量结合构建的整合模型，在预测 RFS 和 DSS 方面准确性更高，且具有较好的公平性，不同性别和年龄亚组的假阴性和假阳性率差异较小。
研究结论和讨论部分表明，该研究开发的基于 Transformer 的 SMDL 模型，能够准确预测胃癌患者的生存情况，有效识别复发或死亡高风险患者，为临床医生制定治疗方案提供了重要参考。与传统方法相比，深度学习方法在分析骨骼肌图像方面具有明显优势，能提供更有价值的信息。然而，该研究也存在一定局限性，如研究对象局限于亚洲人群，仅分析了 L3 水平骨骼肌 CT 图像，深度学习模型缺乏可解释性等。未来需要进一步开展前瞻性队列研究，扩大研究范围，分析全腹部骨骼肌 CT 图像，并探索更直观的模型解释方法，以推动该模型在临床实践中的广泛应用，为胃癌患者的精准治疗带来新的希望。
