基于CT影像组学与深度学习的喉鳞状细胞癌术后无复发生存预测模型研究

本研究针对喉鳞状细胞癌(LSCC)预后评估的临床难题，通过整合CT影像组学(Radiomics)、深度学习(DL)与临床指标构建联合预测模型。研究团队回顾性分析349例患者数据，开发出包含肿瘤位置、N分期、影像组学评分(RS)和深度学习评分(DLS)的列线图模型，其C-index达0.810（内部验证）和0.742（外部验证），显著优于单一模型。该成果为LSCC术后个体化治疗决策提供了新型无创预测工具，发表于《Scientific Reports》。

　　

喉鳞状细胞癌(LSCC)作为头颈部常见恶性肿瘤，尽管治疗手段不断进步，仍有约40%患者在根治性治疗后三年内出现复发，五年生存率仅63%。目前临床依赖的TNM分期系统难以充分反映肿瘤异质性，同分期患者预后差异显著。如何实现精准预后预测，成为优化个体化治疗的关键科学问题。

为解决这一难题，重庆医科大学附属第一医院放射科的研究团队开展了一项创新性研究。通过整合CT影像的定量特征与人工智能技术，开发了首个融合临床因素、影像组学(Radiomics)和深度学习(DL)的LSCC术后无复发生存(RFS)预测模型。这项突破性成果发表于《Scientific Reports》，为临床决策提供了全新工具。

研究采用多中心回顾性设计，纳入349例接受手术的LSCC患者，按7:3比例划分为训练集(n=189)和内部验证集(n=82)，另设外部验证集(n=78)。关键技术包括：(1)基于PyRadiomics提取1106个影像组学特征，经ICC>0.75筛选后通过LASSO回归构建RS；(2)采用ResNet-34网络开发DLS预测模型，应用Grad-CAM实现可视化解读；(3)通过多变量Cox回归整合肿瘤位置、N分期、RS和DLS构建联合模型，并开发临床适用的列线图。

临床模型构建

单因素分析显示肿瘤位置（声门上型HR=2.31）和N分期（N1+ HR=1.97）是独立预后因素，构成基础临床模型，C-index为0.602-0.683。

影像组学模型性能

从CT图像提取的11个特征中，小波特征wavelet_HHL_glcm_ClusterShade（正相关）和wavelet_LLH_ngtdm_Strength（负相关）最具预测价值。RS模型C-index达0.617-0.711，优于临床模型但逊于DL模型。

深度学习模型突破

基于最大肿瘤层面的2D ROI分析，DLS展现出最佳单模型性能（C-index 0.729-0.742）。热图显示复发患者模型关注肿瘤低密度区，而无复发者关注边缘区域，揭示了DL的生物学解释潜力。

联合模型优势

整合四项参数的列线图实现最高预测精度：训练集C-index 0.826，外部验证集0.742。风险分层显示，低风险组3年RFS率达82.4%，显著高于高风险组的34.1%（HR=0.312, p=0.003）。决策曲线分析证实其在临床阈值0.1-0.8范围内具有最佳净收益。

这项研究首次证实了多模态人工智能模型在LSCC预后预测中的协同价值。联合模型通过捕捉肿瘤的宏观临床特征（位置、分期）、微观纹理异质性（RS）及深层图像模式（DLS），实现了超越传统方法的预测性能。其临床意义在于：(1)为术后辅助治疗选择提供客观依据，避免治疗不足或过度；(2)通过无创CT检查即可完成评估，适合临床推广；(3)Grad-CAM热图增强了DL模型的可解释性。研究局限性包括回顾性设计、手动分割的变异可能，以及未整合基因组数据等。未来研究可探索3D肿瘤分析、自动化分割技术，并开展前瞻性验证以推动临床转化。

该成果标志着LSCC精准医疗的重要进展，为人工智能驱动肿瘤预后研究树立了新范式。通过将前沿计算技术与临床实践深度融合，研究者开辟了肿瘤异质性量化分析的新途径，对实现个体化癌症管理具有深远影响。