基于亚区域影像组学联合多通道2D/3D深度学习预测食管鳞癌新辅助化疗免疫治疗反应的 multicenter 研究

本研究针对局部晚期食管鳞癌(LA-ESCC)患者新辅助化疗免疫治疗(NACI)反应预测的临床难题，创新性地开发了融合亚区域影像组学与多通道2D/3D深度学习的预测模型。通过271例 multicenter 队列验证，DLRad1模型(影像组学+2D DL)展现出最优预测性能(AUC 0.793-0.910)，为个体化治疗决策提供了可靠的非侵入性工具。

　　

食管癌是全球第七大恶性肿瘤，在中国尤为高发，其中食管鳞状细胞癌(ESCC)占主导地位。由于缺乏早期症状，多数患者确诊时已处于局部晚期(LA-ESCC)。尽管新辅助化疗联合免疫治疗(NACI)显著提高了病理完全缓解率(pCR)，但仅部分患者能从中获益。传统生物标志物如PD-L1表达、肿瘤突变负荷(TMB)等预测效果不稳定，亟需开发可靠的预测工具。

哈尔滨医科大学肿瘤医院的研究团队在《npj Precision Oncology》发表了一项突破性研究，通过整合亚区域影像组学与深度学习技术，建立了预测LA-ESCC患者NACI疗效的新型模型。研究利用K-means聚类将肿瘤划分为四个功能亚区，发现亚区域1的特征最具预测价值(AUC=0.823)。团队创新性地开发了DLRad1(影像组学+2D DL)和DLRad2(影像组学+3D DL)两种融合模型，在271例 multicenter 队列中验证显示，DLRad1模型性能最优(AUC 0.910训练集/0.829内部验证/0.793外部验证)，显著优于单模态模型。

关键技术包括：(1)基于增强CT的肿瘤亚区域K-means聚类分析；(2)PyRadiomics提取1834个影像组学特征；(3)多通道2D ResNet101和3D ResNet101深度学习特征提取；(4)LASSO回归筛选关键特征；(5)XGBoost构建融合模型。研究队列来自三家医院，包括161例训练集、69例内部验证集和41例外部验证集。

研究结果
Patient characteristics
三组队列在年龄、性别、临床分期等基线特征上无显著差异，pCR率一致(28.6%-29.3%)，保证了研究可比性。

Diagnostic performance of different tumor regions in CT
Calinski-Harabasz指数确定4个亚区最优，其中亚区域1的预测性能最突出(AUC 0.823，敏感性78.2%，特异性89.1%)，成为后续分析重点。

Comprehensive analysis of radiomics and DL features
从亚区域1筛选出12个关键影像组学特征(如Rad_1_H1)，15个2D DL特征和6个3D DL特征。SHAP分析显示特征间冗余度低，多通道2D DL特征 discriminative 能力最强。

Performance analysis of radiomics, 2D/3D DL models, and fusion models
DLRad1模型整合5个影像组学特征和9个2D DL特征，在所有队列中保持稳定性能(AUC 0.793-0.910)，决策曲线分析(DCA)显示其临床净收益最高。

Clinical model development and models comparison
联合模型(临床特征+DLRad1)显著优于单纯临床模型(IDI=0.095，NRI=0.317)，证实影像组学提供独立预测价值。

这项研究首次证实了基于治疗前CT的亚区域影像组学联合深度学习可有效预测LA-ESCC的NACI疗效。DLRad1模型的高敏感性(83.3%)和特异性(79.3%)为临床决策提供了重要依据：对预测pCR患者可考虑治疗降阶梯，而对非pCR患者可及时调整方案。研究创新点在于：(1)突破传统单切片2D分析局限，采用多通道策略；(2)通过 habitat 分析揭示肿瘤内部功能异质性；(3)实现跨中心验证确保普适性。该成果为精准医疗提供了可推广的"数字活检"工具，未来结合动态影像组学和多组学数据有望进一步优化预测效能。