基于多中心MRI深度学习的鼻咽癌新辅助放化疗后复发预测模型研究

本研究针对局部晚期鼻咽癌(LA-NPC)患者新辅助放化疗(NACT)后复发预测难题，通过多中心回顾性分析328例患者的MRI影像数据，结合传统放射组学特征与深度学习特征构建预测模型。结果显示T2WI序列的随机森林模型(AUC=0.87)预测性能最优，为临床疗效评估提供了新型无创工具。

　　

鼻咽癌(NPC)作为头颈部高发恶性肿瘤，在调强放疗(IMRT)时代仍面临20%的局部复发和远处转移难题。传统影像评估方法难以精准预测新辅助放化疗(NACT)后疗效，临床亟需能反映肿瘤异质性的客观指标。福建医科大学附属肿瘤医院联合郑州大学附属肿瘤医院等四家医疗机构，创新性地将深度学习特征与传统放射组学特征融合，构建了具有临床转化价值的预测模型，相关成果发表在《Clinical》期刊。

研究团队采用多中心回顾性队列设计，纳入328例LA-NPC患者(分期III-IVa)的增强T1WI和T2WI序列MRI数据。通过ITK-SNAP软件手动勾画肿瘤ROI区域，使用PyRadiomics提取975个传统特征，并利用预训练ResNet50网络提取1000个深度特征。采用LASSO算法进行特征筛选后，构建包含传统特征(Model I)、传统+深度特征(Model II)及联合临床特征(Model III)的三类预测模型，通过5种机器学习分类器评估性能。

研究结果显示：在T2WI序列中，Model II基于随机森林(RF)的预测性能最优，验证集AUC达0.87(95%CI:0.80-0.92)，显著优于单传统特征模型。特征分析发现，小波变换特征(W-HLH_NGTDM_B)和灰度区域大小矩阵特征(GLSZM_GLNU)等能有效表征肿瘤异质性。值得注意的是，T2WI序列模型的整体预测性能(AUC 0.80-0.87)优于T1WI+C序列(0.70-0.76)，可能与T2WI对白质病变更敏感相关。

讨论部分指出，该研究首次证实深度放射组学特征可提升传统模型的预测效能，但存在三方面局限：样本地理分布不均衡、深度特征可视化不足、临床特征纳入不完整。未来需通过多模态影像整合和标准化数据采集进一步优化模型。这项研究为NPC个体化治疗决策提供了重要依据，推动了人工智能在肿瘤疗效预测中的临床应用。