基于Swin Transformer多模态融合模型的肺癌骨转移风险预测：CT与病理影像整合研究

本研究针对肺癌骨转移早期预测的临床难题，创新性开发了整合CT与病理影像的Swin-Dual Fusion深度学习模型。通过双通道Swin Transformer架构提取多模态特征并决策级融合，在215例患者队列中实现AUC 0.966的优异性能，显著优于传统ResNet50等模型。该研究为临床提供高精度无创预测工具，推动Transformer在骨肿瘤学的转化应用。

　　

肺癌作为全球癌症相关死亡的首要原因，其骨转移并发症严重影响患者生存质量。约40%肺癌患者会发生骨转移，其中60%在初诊时即已存在，常导致病理性骨折、脊髓压迫等严重事件。尽管CT和病理检查是临床主要诊断手段，但传统方法对早期骨转移敏感性不足，且卷积神经网络(CNN)存在长程依赖捕捉困难等问题。如何通过人工智能整合多模态数据实现精准预测，成为骨肿瘤学的关键挑战。

福建医科大学附属第二医院的研究团队在《Journal of Bone Oncology》发表创新研究，开发了基于Swin Transformer的多模态融合模型。该研究纳入2018-2023年215例经病理确诊的肺癌患者，通过标准化采集CT（Philips/GE多机型）和数字化病理图像（H&E染色及免疫组化），构建双通道深度学习架构。关键技术包括：1）采用分层采样确保患者数据独立划分；2）ITK-SNAP软件手动分割原发灶和骨转移区域；3）双Swin Transformer分支分别处理CT和病理图像；4）决策级特征融合策略；5）10折交叉验证评估性能。

【研究结果】

1. 模型架构
   Swin-Dual Fusion模型通过并行处理1mm层厚CT和高倍病理图像，采用窗口多头自注意力(W-MSA)和移位窗口机制(SW-MSA)提取多尺度特征。相比单模态的Swin-CT(AUC 0.919)和Swin-Path(AUC 0.921)，双模态融合使测试集AUC提升至0.966。

2. 性能验证
   在特异性(0.944)和敏感性(0.885)平衡性上显著优于ResNet50(敏感性仅0.615)。训练集表现更优，显示完美特异性(1.000)和阳性预测值(1.000)，提示模型对阴性样本的强鉴别力。

3. 亚组分析
   针对不同治疗方案(化疗/免疫/靶向)的亚组中，模型保持0.92-0.94稳定AUC。靶向治疗组假阳性率最低(8%)，可能与治疗相关炎症反应减少有关。

【结论与意义】
该研究首次将Swin Transformer应用于肺癌骨转移的多模态预测，其创新性体现在：1）突破传统CNN的局部感受野限制，通过自注意力机制捕捉CT中骨微结构变化与病理切片中肿瘤微环境特征的关联；2）决策级融合策略有效整合解剖学与细胞学信息；3）在样本量有限情况下仍保持高泛化性。临床转化价值在于：为个性化治疗决策提供客观依据，高风险患者可提前接受骨保护药物或局部放疗；通过PET-CT验证减少免疫治疗伪进展误判。未来需扩大样本验证跨中心适用性，并探索将框架扩展至肝/脑转移预测。

研究局限性包括：1）单中心回顾性设计；2）未整合循环肿瘤细胞(CTC)等液体活检数据；3）需开发可视化工具增强模型可解释性。该成果为AI驱动骨肿瘤精准医疗树立了新范式，相关技术路线可推广至其他恶性肿瘤转移预测领域。