基于多模态深度学习模型的头颈鳞癌预后预测及放疗响应评估研究

本研究针对头颈鳞癌(HNSCC)个体化治疗中预后预测和放疗响应评估的临床难题，开发了一种整合CT、全切片图像(WSI)和临床特征的多模态深度学习模型(MDLM)。该研究纳入了1087例多中心HNSCC患者数据，模型在外部验证队列中展现出优异的生存预测性能(C-index达0.745)，并能有效区分放疗获益人群(P=0.016)。通过单细胞RNA测序(scRNA-seq)和批量RNA测序分析揭示了模型与细胞色素P450代谢通路、肿瘤微环境及髓系细胞亚群的关联，为临床决策提供了新型智能化工具。

　　

头颈鳞状细胞癌(HNSCC)作为全球第六大常见恶性肿瘤，预计到2030年发病率将增长30%。尽管治疗手段不断进步，但患者生存率仍无明显改善。更棘手的是，约25%患者对术后放疗无响应，传统TNM分期系统因主观性强难以精准分层。这种临床困境呼唤能整合多维度信息的智能预测工具，这正是烟台毓璜顶医院等机构开展本研究的核心动因。

研究团队收集了来自5家中国医院和TCIA数据库的1087例HNSCC患者数据，创新性地构建了融合CT影像特征、病理全切片图像(WSI)和临床参数的多模态深度学习模型(MDLM)。关键技术包括：1)采用3D-ResNet50处理CT图像；2)基于注意力机制的WSI特征提取；3)Cox比例风险回归整合多模态特征；4)利用scRNA-seq和批量RNA-seq解析生物学机制。所有分析代码已在GitHub开源。

基线特征
研究纳入的1087例患者被分为训练队列(386例)、内部验证队列(165例)和3个外部验证队列(共480例)，TCIA队列(56例)用于跨种族验证。男性占比超90%(TCIA队列除外)，各队列在吸烟史、饮酒史等临床特征上存在显著差异(P<0.001)。

MDLM性能
模型在内部验证队列中预测1/2/3年总生存期(OS)的AUC分别为0.770/0.793/0.793，疾病无进展生存期(DFS)预测AUC达0.788/0.795/0.760。在外部验证中保持稳定性能，如外部验证队列1的OS预测C-index为0.717。值得注意的是，高风险组患者接受术后放疗可显著延长OS(P=0.016)，而低风险组无此获益(P=0.898)。

与单模态模型对比
MDLM显著优于单模态模型：在内部验证队列中，其OS预测C-index(0.745)高于CT模型(0.700)、WSI模型(0.653)和临床模型(0.659)。基因模型虽在训练集表现优异(C-index=0.895)，但在TCIA队列中泛化性差(C-index=0.481)，凸显多模态整合优势。

放疗响应预测
通过倾向评分匹配分析发现，高风险组放疗敏感患者占比显著更高(P=0.001)，其MDLM风险评分也明显高于放疗抵抗组(P<0.001)。可视化分析显示，模型对高风险患者的关注区域多为核异型明显的肿瘤实质区。

生物学机制
批量RNA-seq发现高风险组82个差异表达基因(DEGs)富集于细胞色素P450代谢通路。单细胞测序揭示高风险组GPNMB⁺巨噬细胞比例升高，而FCN1⁺巨噬细胞和CPA3⁺肥大细胞在低风险组更常见，这些发现与既往肿瘤免疫研究相吻合。

这项发表于《npj Digital Medicine》的研究具有三重突破价值：首先，MDLM首次实现HNSCC预后和放疗响应的多模态智能预测；其次，超千例的多中心数据确保模型临床适用性；最后，通过多组学分析揭示了模型预测的生物学基础。局限性包括WSI扫描仪单一性、手动分割效率低等问题，未来需开发自动分割系统并扩大放疗患者队列。该研究为推进HNSCC精准医疗提供了可落地的AI解决方案，其方法论框架也可拓展至其他癌种研究。