编辑推荐：
胃癌严重威胁全球健康，准确术前预测淋巴结（LN）转移对治疗意义重大。研究人员开发 LMML-net 预测胃癌多站 LN 转移，该模型整合肿瘤分割与转移预测，AUC 达 0.813 - 0.820，能助力个性化治疗与手术规划。
胃癌，这个隐匿在全球健康阴影下的 “杀手”，一直以高发病率和高死亡率的姿态，严重威胁着人类的生命健康。在胃癌的诊疗过程中，准确判断淋巴结（LN）是否发生转移，就像是打开正确治疗大门的关键钥匙。它不仅对胃癌的准确分期起着决定性作用，还直接影响着后续治疗方案的制定以及对患者预后情况的评估。然而，目前的预测方法却面临着重重困境。
在临床实践中，对淋巴结进行分组并非易事，这需要临床医生耗费大量的时间和精力进行细致的手工分类，这无疑是一项既繁琐又耗时的工作，也导致了高质量分组数据的匮乏，成为了开发精准预测模型的 “拦路虎”。而且，淋巴结的转移模式复杂多变，受到肿瘤的各种特征、位置以及发展阶段等多种因素的影响，使得预测难度进一步加大。传统的预测方法和现有的模型，大多只是聚焦在肿瘤区域，却忽视了肿瘤周围结缔组织区域，而这些区域恰恰可能隐藏着预测转移的关键信息。同时，淋巴转移在多个淋巴结站之间存在着一定的关联模式，但当前的方法却未能充分利用这一点，导致预测的准确性大打折扣。另外，不同淋巴结组的转移情况存在严重的不平衡，部分淋巴结站的转移率极低，这也给模型的训练和评估带来了极大的挑战。
为了攻克这些难题，南京鼓楼医院的研究人员勇敢地踏上了探索之路，开展了一项极具创新性的研究。他们致力于开发一种全新的 3D 端到端多任务学习网络 —— 淋巴结转移多任务学习网络（LMML-net），以此来实现对胃癌多个淋巴结站转移情况的精准预测。
经过不懈努力，研究人员取得了令人瞩目的成果。LMML-net 展现出了强大的预测能力，在训练、测试和验证队列中，预测总淋巴结转移的曲线下面积（AUC）分别达到了 0.813、0.820 和 0.805 。该模型在不同淋巴结站的预测表现都十分出色，即使是在早期胃癌这种极具挑战性的病例中，也能稳定发挥作用。这一成果意义非凡，它为胃癌患者的个性化术前治疗和手术规划提供了有力的指导，有望改善患者的治疗效果，提高患者的生存质量，为胃癌的临床治疗带来新的曙光。这一研究成果发表在《Biomedical Signal Processing and Control》杂志上。
研究人员在开展这项研究时，运用了多个关键技术方法。首先，收集了 2018 - 2023 年南京鼓楼医院 293 例接受胃切除术及淋巴结清扫患者的临床资料，选取动脉期增强 CT 图像作为研究数据。然后，通过手动标注肿瘤区域、提取感兴趣区域（ROI）并标准化处理数据。接着，构建了包含肿瘤分割分支和多任务学习分支的 LMML-net 模型。肿瘤分割分支基于 3D Attention - UNet 架构，利用 Focal Tversky Loss 优化以提升分割性能；多任务学习分支则整合分割分支的特征，运用卷积块注意力模块（CBAM）和基于帕累托（Pareto）的多任务损失函数，实现对 11 个淋巴结站和整体淋巴结转移状态的预测。
下面来详细看看研究结果：
- 患者信息：研究共纳入 293 例胃癌患者，涵盖不同分期。患者肿瘤大小各异，约半数无淋巴结转移，早期胃癌患者占比 35.2%，其中部分存在淋巴结转移，这对现有预测方法构成挑战。同时发现不同淋巴结站转移存在一定模式，与肿瘤位置相关。基于此，研究人员对患者进行分层，并按 7:2:1 的比例划分训练、测试和验证队列。
- 3D Attention - UNet 性能：3D Attention - UNet 模型用于提取 CT 数据的深层特征以预测淋巴结转移。在训练和测试队列中，其平均 Dice 系数分别为 0.582 和 0.547 ，能有效检测不同位置、大小和形状的肿瘤。不过，在预测早期胃癌时，平均 Dice 系数为 0.412 ，提示需结合其他信息以避免误判。
- LMML-net 性能：LMML-net 在训练、测试和验证队列中表现优异，预测总淋巴结转移的 AUC 分别为 0.813、0.820 和 0.805 。在不同淋巴结站的预测中，AUC 均值在各队列中均处于较高水平。与临床指标和经验丰富的外科医生评估相比，LMML-net 的预测性能更优，凸显其在临床应用中的潜力。
- 消融研究：通过消融研究发现，多任务学习框架比单任务学习更具优势，动态权重的多任务学习能进一步提升预测性能，表明其能更好地适应不同淋巴结站转移率的差异。同时，CBAM 模块在特征提取方面表现出色，有助于提高模型的预测准确性。
- 与其他多任务方法比较：与其他三种多任务模型相比，LMML-net 在分割和分类任务上均表现更优，尤其是在预测分组淋巴结转移时优势明显，说明该模型能有效学习不同淋巴结组的转移模式，提升预测精度。
- CT 特征与 LMML-net 预测的关联：利用 GradCam 可视化技术发现，肿瘤区域和胃周结缔组织区域对淋巴结转移预测均有重要贡献。不同淋巴结站的预测依据有所不同，如 No.1 和 No.2 站主要依赖胃周结缔组织区域信息，而其他部分站点则主要依赖肿瘤区域信息，这为理解模型决策过程提供了依据。
综合研究结论和讨论部分，LMML-net 确实为胃癌淋巴结转移的术前评估带来了重大突破。它打破了传统模型的局限，通过整合肿瘤和肿瘤周围区域的信息，利用多任务学习的优势，实现了对多个淋巴结站转移情况的精准预测。尽管该研究存在缺乏外部验证队列等局限性，但它为后续研究指明了方向。未来研究可进一步扩大样本范围，进行多中心验证，并尝试整合更多临床和分子数据，以打造更完善的预测模型。这不仅有助于推动胃癌诊疗技术的进步，为医生制定更精准的治疗方案提供有力支持，还可能显著改善胃癌患者的预后，为全球胃癌防治事业注入新的活力。
