基于渐进式蒸馏深度学习模型的术前CT图像预测胃癌转化疗法临床响应研究

本研究针对晚期胃癌(AGC)患者转化疗法响应预测的临床难题，开发了基于术前CT图像的渐进式蒸馏(PD)深度学习模型。通过多轮迭代优化和模型噪声注入，PD模型在测试集达到0.87 AUC和85.71%准确率，显著优于传统CNN和知识蒸馏(KD)方法，为个体化治疗决策提供了非侵入性预测工具。

　　

胃癌是全球第五大常见恶性肿瘤，每年导致数百万人死亡。尤其令人担忧的是，约70-80%的胃癌患者在确诊时已处于晚期阶段(AGC)，其中许多患者因肿瘤转移或局部进展而失去手术机会。传统化疗对这些患者的5年生存率仅30-40%，临床亟需更有效的治疗策略。近年来兴起的转化疗法（通过化疗、靶向或免疫治疗使不可切除肿瘤降期后手术）为这类患者带来希望，但肿瘤异质性导致仅部分患者受益。目前依赖术后病理评估的响应判断方式存在明显滞后性，如何实现治疗前的精准预测成为临床关键难题。

针对这一挑战，温州医科大学附属第一医院联合衢州市人民医院、电子科技大学的研究团队在《Scientific Reports》发表创新研究，开发了基于术前CT图像的渐进式蒸馏(Progressive Distill, PD)深度学习模型。该研究回顾性分析了2017-2022年间140例接受转化疗法的AGC患者数据，通过多轮迭代的师生模型知识传递和噪声注入策略，成功构建出预测性能优异的AI工具。

研究采用多中心回顾性队列设计，从温州医科大学附属第一医院获取112例训练集和28例测试集患者的术前增强CT图像（门静脉期）。关键技术包括：1）基于EfficientNet^B7构建PD框架，通过KL散度损失和标签平滑实现多轮知识蒸馏；2）引入随机深度和Dropout等模型噪声增强泛化能力；3）采用余弦退火学习率调度优化训练过程。图像预处理包含[-215,285] HU窗宽滤波、256×256尺寸归一化及随机裁剪等数据增强操作。

患者特征
最终纳入的140例患者中，训练集GR（良好响应）组占65.17%，测试集GR组占50%。两组在年龄、性别、cTNM分期等基线特征上无统计学差异（p>0.05），证实了队列的均衡性。

PD模型性能
在测试集中，PD模型展现出显著优势：

• AUC达0.87，准确率85.71%，敏感性和特异性均为85.71%
• 显著优于传统CNN模型（ResNet50 AUC 0.67）和单次KD方法（EfficientNet^B7 AUC 0.77）
• 超越临床医师判断（40年经验医师准确率仅78.57%）
  决策曲线分析显示PD模型在临床相关阈值范围内具有最大净效益。

机制解析
热图分析表明模型聚焦于肿瘤生物学相关区域。消融实验证实：

• 模型噪声使EfficientNet^B7 AUC提升0.04（0.74→0.78）
• 多轮迭代带来额外0.09 AUC增益（0.78→0.87）
• 较小模型EfficientNet^B3通过PD迭代也可达0.76 AUC

讨论与展望
该研究首次将PD框架应用于医学影像分析，解决了小样本医学数据下的模型过拟合问题。其创新性体现在：1）通过渐进式知识传递压缩模型参数量；2）噪声注入增强临床泛化能力；3）实现治疗前非侵入性预测。相比传统RECIST标准，该方法可将评估时间点提前至治疗前，避免无效治疗带来的毒副作用和经济负担。

局限性包括单中心回顾性设计和小样本量。未来需通过多中心前瞻性试验验证，并探索与临床参数（如CEA、CA199）的多模态融合。研究者计划将PD模型整合至放射科工作流，实时辅助治疗决策。

这项研究为AGC精准医疗提供了重要工具，其PD框架亦可拓展至其他肿瘤响应预测领域。随着验证深入，这种基于CT的AI预测模型有望改写晚期胃癌治疗决策范式，实现从"经验医疗"到"计算医疗"的转变。