编辑推荐：
食管癌死亡率高且诊断常处于晚期，准确分级对治疗意义重大。研究人员开展 “结合 CT 成像、影像组学、可重复性和深度学习的食管癌分级新框架” 研究。结果显示该框架提升了诊断准确性等，有助于个性化治疗。这为食管癌诊疗带来新突破。
在癌症的 “战场” 上，食管癌是一个极为棘手的 “敌人”。它有着较高的死亡率，许多患者确诊时已处于晚期，错失最佳治疗时机。而准确地对食管癌进行分级，就像是在迷雾中为医生指引方向，能帮助他们制定个性化的治疗方案，从而提高患者的生存几率。但传统的诊断方法却存在不少问题，就像戴着模糊的眼镜看东西，主观因素影响大，特征提取也不一致。为了打破这一困境，来自多个国家不同机构的研究人员携手开展了一项极具意义的研究，相关成果发表在《BMC Gastroenterology》杂志上。
研究人员为了攻克食管癌分级的难题，采用了多种关键技术方法。他们收集了 2018 - 2023 年多个临床中心 2560 例食管癌患者的数据，包括 CT 成像数据、临床和病理信息等。在数据处理上，严格遵循标准化的 CT 成像协议，对图像进行预处理。通过手动分割肿瘤区域，并采用多分割策略来确保特征提取的可靠性。利用标准化环境进行影像组学分析（SERA）软件提取 215 个定量影像组学特征 ，同时运用 DenseNet121 和 EfficientNet - B0 这两种先进的卷积神经网络（CNN）架构进行深度学习分析，还结合了递归特征消除（RFE）、主成分分析（PCA）等降维技术和随机森林（Random Forest）、XGBoost、CatBoost 等机器学习模型进行分类。
研究结果如下：
- 特征可靠性评估：通过组内相关系数（ICC）评估影像组学特征的可靠性，大多数特征具有优秀（ICC>0.90）或良好（0.75
- 模型性能比较：在食管癌分级的模型性能比较中，对于影像组学特征，XGBoost 结合 RFE 表现最佳，AUC 达到 91.36%。当使用 DenseNet121 提取深度学习特征时，XGBoost 结合 PCA 表现最优，AUC 为 91.44%；使用 EfficientNet - B0 时，CatBoost 结合 RFE 表现最佳，AUC 达到 94.20%。综合影像组学和深度学习特征后，模型性能显著提升，XGBoost 结合 RFE 在综合特征上的 AUC 最高，达到 96.70%。此外，直接深度学习模型中，EfficientNet - B0 表现更优，但集成 DenseNet121 和 EfficientNet - B0 特征的集成模型整体性能最佳，AUC 为 95.14% 。
研究结论和讨论部分指出，该研究成功构建了结合影像组学和深度学习的食管癌分级新框架。通过多分割策略提高了特征的可重复性，注意力机制增强了深度学习模型的准确性和可解释性，特征融合则充分发挥了两种方法的优势。与以往研究相比，该框架在模型性能、可解释性和临床适用性等方面都有显著提升。然而，研究也存在一定局限性，如依赖高质量标注数据集，模型泛化能力可能受数据集多样性限制，还可进一步纳入更多成像模态、改进注意力机制以及进行长期临床验证等。但总体而言，这项研究为食管癌分级提供了更精准、更可靠的方法，对优化食管癌患者的个性化治疗方案具有重要意义，为食管癌的诊疗开辟了新的道路，在未来的临床实践中有望发挥巨大作用。
