基于深度学习的鼻咽癌诱导化疗方案优化预测模型构建及临床应用研究

为解决局部晚期鼻咽癌(LA-NPC)诱导化疗(IC)方案选择缺乏个性化指导的临床难题，中山大学肿瘤防治中心团队通过整合1438例患者的MRI影像组学特征和临床参数，构建了基于图卷积网络(GCN)的TPF（多西他赛+顺铂+5-Fu）和GP（吉西他滨+顺铂）方案疗效预测模型。该研究开发的MRI-Clinical模型在内部验证集中AUC达0.838（TPF）和0.777（GP），成功实现风险分层并开发在线决策工具，为精准医疗提供新策略。

　　

鼻咽癌作为具有显著地域分布特征的恶性肿瘤，每年全球新增病例超过13万例，其中70%患者在确诊时已处于局部晚期阶段。尽管诱导化疗联合同步放化疗已成为标准治疗方案，但临床上面临着关键抉择：究竟该选择三药联合的TPF方案（多西他赛+顺铂+5-Fu）还是双药组合的GP方案（吉西他滨+顺铂）？这两种方案虽总体疗效相当，但个体反应差异显著，目前尚缺乏有效的预测工具。中山大学肿瘤防治中心的研究团队在《Radiotherapy and Oncology》发表的最新研究，通过创新性融合深度学习和医学影像技术，为这一临床困境提供了智能化解决方案。

研究团队采用多中心回顾性研究设计，整合了来自两家医院的1438例LA-NPC患者数据。通过提取治疗前MRI的影像组学特征（包括T1加权、T2加权和增强T1加权序列），结合7项临床参数，创新性地应用图卷积网络(GCN)构建预测模型。技术路线涵盖自动肿瘤分割（使用基于ANTsPy库的算法）、特征提取（通过Pyradiomics获取1906个特征）和定向图卷积网络(DGCN)建模，最终开发出可在线使用的临床决策工具。

研究结果显示：在TPF队列中，MRI-Clinical模型在训练集、内部验证集和外部验证集的AUC分别为0.770、0.838和0.671；GP队列则达到0.740、0.777和0.749。通过Grad-CAM可视化分析发现，纹理特征"wavelet-LHL_firstorder_Median"对TPF方案预测贡献最大，而"log-sigma-3-0-mm-3D_glcm_ClusterProminence"则是GP方案的关键预测因子。生存分析证实，模型定义的高敏感性组3年无病生存率显著优于低敏感性组（P<0.001）。

该研究创新点体现在三方面：首次建立针对不同IC方案的个性化预测系统，将患者精准分为四类（高敏感、中敏感-1、中敏感-2和低敏感），指导45.9%患者选择标准方案，为54.1%患者建议替代治疗策略；证实GCN在医学影像分析中的优势，其仅需84.1千参数和184.6MB显存，较传统CNN更适配临床场景；开发的在线工具（https://fatcurrency.online/）实现临床转化应用。值得注意的是，模型在外部验证时出现性能波动，研究者归因于MRI扫描参数差异（3.0T vs 1.5T），这提示未来需开展多设备前瞻性验证。这项研究为肿瘤精准治疗提供了新范式，其方法论也可拓展至其他癌种的化疗方案优化领域。