深度学习整合鼻内镜与T2加权MRI预测鼻窦内翻性乳头瘤恶变的探索性研究

本研究针对鼻窦内翻性乳头瘤(SIP)恶变为鳞状细胞癌(SIP-SCC)的术前诊断难题，创新性地开发了基于深度学习(DL)的双模态预测模型。研究人员通过整合鼻内镜与T2加权磁共振成像(T2W-MRI)数据，构建了全自动肿瘤分割系统（FCN_ResNet101和VNet模型分别实现内镜与MRI分割DSC达0.95±0.03和0.93±0.02），并建立双模态DL列线图，其预测性能(AUROC 0.865)显著优于放射科医师独立诊断(AUROC 0.672-0.707)。该成果为SIP-SCC的精准术前鉴别提供了智能化解决方案，发表于《European Radiology Experimental》。

　　

鼻窦内翻性乳头瘤(SIP)作为鼻腔鼻窦最常见的良性肿瘤，暗藏着一个临床噩梦——约19.5%的病例会恶变为鳞状细胞癌(SIP-SCC)。这种转变意味着治疗策略的彻底颠覆：从局部切除变为扩大手术联合放化疗，但误诊导致的治疗延误使患者5年生存率骤降30%。更棘手的是，现行金标准"术前穿刺活检"存在准确率低(约65%)、采样误差大等问题，就像用盲狙来定位隐形靶心。面对这一临床困境，上海交通大学医学院附属第九人民医院联合复旦大学附属眼耳鼻喉科医院的研究团队另辟蹊径，尝试用人工智能破解医学影像中的恶变密码。

研究人员开创性地将两种互补诊断模态——能直观显示肿瘤表面特征的鼻内镜与呈现内部结构的T2W-MRI——纳入统一分析框架。通过174例经病理证实的病例（121例训练集/53例测试集），团队采用三种深度学习架构开发全自动肿瘤分割系统，并基于DenseNet121构建分类模型。关键技术包括：1）采用ITK-SNAP和Labelme软件进行影像标注；2）应用SMOTE算法解决样本不平衡问题；3）开发双模态DL列线图整合内镜与MRI预测分数；4）通过Grad-CAM技术实现决策可视化。

主要研究结果

DL模型自动分割性能
FCN_ResNet101模型在鼻内镜图像分割中表现最优，测试集DSC达0.95±0.03，相当于专业医师勾画精度；VNet模型对T2W-MRI的分割效果最佳（DSC 0.93±0.02），成功实现三维肿瘤结构的精准提取。

SIP-SCC预测效能
基于自动分割的T2W-MRI模型(AUROC 0.835)显著优于内镜模型(0.674)，证实MRI对肿瘤内部特征的捕捉优势。而融合双模态数据的DL列线图展现出最高判别力，测试集AUROC提升至0.865，较住院医师(0.672)和主治医师(0.707)提高约20%，且辅助诊断后医师诊断准确率提升至0.734-0.834。

临床实用性验证
决策曲线分析显示，当阈值概率设定在10%-70%时，DL列线图的临床净获益值始终高于医师单独诊断。典型案例显示，模型能准确识别MRI上肿瘤浸润特征与内镜表面微血管异常，这些正是人类视觉易忽略的恶变征象。

这项研究首次证明人工智能整合多模态影像可实现SIP恶变的自动化预警。其重要意义在于：1）建立标准化诊断流程，减少活检依赖；2）双模态互补策略突破单影像局限；3）Grad-CAM热图提供可解释性决策依据。未来通过多中心验证和HPV等临床数据整合，该模型有望成为鼻窦肿瘤智能诊疗的关键技术。值得关注的是，研究也存在样本量有限(仅34例SIP-SCC)的局限，这提示下一步需要开展大规模前瞻性研究验证模型的泛化能力。

（注：全文严格依据原文数据，专业术语如DSC=Dice相似系数、AUROC=受试者工作特征曲线下面积等均按原文格式呈现，研究机构名称按国内规范翻译）