深度学习影像组学列线图预测喉鳞状细胞癌淋巴结转移的临床价值研究

本研究创新性地将深度学习特征与传统影像组学结合，构建预测喉鳞癌（LSCC）淋巴结转移（LNM）的列线图模型。通过分析235例患者的CT影像，采用ResNet50网络提取深度特征，结合XGBoost算法筛选的15个影像组学特征，最终模型在训练集和验证集的AUC分别达0.934和0.864，显著优于传统方法（p<0.05），为LSCC术前无创分期提供新工具。

　　

背景与方法

喉鳞状细胞癌（LSCC）作为头颈部常见恶性肿瘤，其淋巴结转移（LNM）是影响预后的关键因素。传统CT检查对转移淋巴结的识别存在局限，尤其对<10mm的淋巴结敏感性不足。研究团队通过回顾性分析山西医科大学第一医院2018-2024年间235例LSCC患者的临床资料，将患者按7:3比例分为训练集（164例）和验证集（71例）。采用GE 64/128层螺旋CT获取静脉期增强图像，由两名放射科医师使用3D-Slicer软件独立勾画肿瘤感兴趣区域（ROI），并通过组内相关系数（ICC）验证特征可重复性。

技术突破

研究创新性地采用双路径特征提取策略：传统影像组学方面，通过PyRadiomics包提取1403个特征，包括一阶统计量、形态学和纹理特征；深度学习方面，基于ImageNet预训练的ResNet50网络，通过数据增强（随机翻转、裁剪至224×224像素）和迁移学习，从平均池化层提取2048维深度特征。采用LASSO回归结合10折交叉验证筛选出15个影像组学特征和12个深度特征，并系统比较了7种机器学习算法（LR/SVM/RF/ExtraTrees/XGBoost/LightGBM/MLP）的预测效能。

关键发现

多因素分析显示CT报告LNM阳性（OR=4.32）和声门上型肿瘤（OR=3.15）是独立预测因子。XGBoost算法在DLR模型中表现最优，训练集AUC达0.913，显著高于传统影像组学模型（0.861）。最终构建的列线图整合了CT报告LNM状态、肿瘤部位和DLR特征，在验证集展现出0.864的AUC值，决策曲线分析（DCA）证实其临床净获益率超过25%。

机制探讨

深度特征的优势在于能捕捉肿瘤微环境的空间异质性，如研究发现的"肿瘤周围5mm环形区域"的纹理特征与淋巴管浸润显著相关。而传统影像组学特征中，wavelet-LHL_glszm_SizeZoneNonUniformity特征与肿瘤基质比例呈强相关性（r=0.68），这些发现为解释模型生物学基础提供了新视角。

临床价值

该模型实现了三大突破：首次将ResNet50深度特征与CT影像组学融合；建立首个包含原发灶特征的LSCC淋巴结预测工具；临床适用性验证显示，当预测阈值设为0.45时，可避免35%不必要的颈清扫术。值得注意的是，对于T1-2期患者，模型特异性达92.3%，显著高于常规CT检查（76.5%）。

局限与展望

研究存在样本量有限（尤其cN0亚组仅141例）和手动分割ROI的主观性等问题。未来需开展多中心研究验证，并探索基于U-Net的自动分割算法。团队计划进一步整合PET-CT代谢参数和循环肿瘤DNA（ctDNA）数据，构建多模态预测体系。

这项研究标志着喉癌精准诊疗的重要进展，为临床医生提供了可靠的术前决策工具，有望改变目前主要依赖经验性颈清扫的治疗格局。特别值得注意的是，模型对声门型LSCC的阴性预测值达94.7%，这对保留喉功能手术的选择具有重要指导意义。