双能CT影像组学无创预测鼻咽癌患者颈部淋巴结转移的临床价值研究

本研究针对鼻咽癌(NPC)患者颈部淋巴结转移(CLNM)术前评估的临床难题，创新性结合双能CT(DECT)与影像组学技术，构建了13种机器学习模型（含4种非融合模型和9种融合模型）。结果显示，基于静脉期100 keV(V100)的模型AUC达0.9667，V100+V150融合模型性能最优(AUC=0.9697)，为NPC个体化诊疗提供了客观量化工具。

　　

鼻咽癌(NPC)作为中国南方高发的头颈部恶性肿瘤，约70-85%患者初诊时即伴随颈部淋巴结转移(CLNM)。传统诊断依赖18F-FDG PET/CT存在辐射剂量高、软组织分辨率不足等局限，而常规CT单能量成像难以捕捉微小转移灶特征。尽管双能CT(DECT)通过100 keV和150 keV双能量扫描提供了更丰富的影像信息，但人工判读仍受主观性制约。如何突破现有技术瓶颈，实现CLNM的精准无创预测，成为临床亟待解决的难题。

广西医科大学附属第一医院的研究团队开展了一项前瞻性单中心研究，创新性地将DECT多参数成像与影像组学相结合。研究纳入66例NPC患者，通过动脉期和静脉期双能量图像提取107个影像组学特征，构建了包含随机森林(RF)算法在内的13种预测模型。论文发表于《Radiography》，首次系统评估了DECT影像组学在NPC淋巴结分期中的应用价值。

关键技术方法包括：1) 前瞻性收集173例NPC患者DECT和18F-FDG PET/CT配对数据；2) 使用Siemens双源CT获取动脉期/静脉期100 keV/150 keV四组图像；3) 通过PyRadiomics提取纹理特征；4) 采用随机森林构建分类模型，并通过DeLong检验和决策曲线分析(DCA)评估性能。

患者特征
队列分析显示训练集(n=42)与验证集(n=22)在性别、年龄等基线指标上无统计学差异，确保模型可比性。典型病例影像显示转移与非转移淋巴结在DECT上的细微差异。

特征提取与选择
经方差分析和LASSO回归筛选后，静脉期100 keV图像的特征最具鉴别力，其中灰度共生矩阵(GLCM)相关特征贡献度最高，揭示转移淋巴结的异质性改变。

模型性能
非融合模型中，静脉期100 keV(V100)模型在阈值>0.4时净获益最高(AUC 0.9667)。融合模型表现更优，V100+V150组合的AUC达0.9697，显著优于单一参数模型(p<0.05)。决策曲线证实该模型在广泛阈值范围内具有临床适用性。

讨论与结论
该研究突破性地证实：1) DECT多参数影像组学可量化NPC淋巴结的微观结构改变；2) 静脉期成像对转移灶检测更具敏感性；3) 能量融合策略可提升模型稳健性。相比既往超声组学研究(AUC 0.810)，本方案将诊断效能提升19.7%，且避免了PET/CT的放射性暴露。研究为NPC精准分期提供了可重复的客观标准，其采用的"影像组学-机器学习"范式对头颈部肿瘤智能诊断具有示范意义。

伦理与数据
研究经广西医科大学附属第一医院伦理委员会批准(2022-KT-hengxiang-026)，原始数据可通过通讯作者申请获取。由X.Z.和M.L.领衔的跨学科团队完成，包含放射科、放疗科等多中心协作，获国家自然科学基金支持。