基于影像组学和不确定性评估的头颈癌原发灶复发预测模型研究

这篇研究通过构建两种人工智能（AI）模型——结合影像组学（radiomics）与临床特征的机器学习模型和基于视觉Transformer（ViT）的深度学习模型，预测头颈部鳞癌（HNSCC）复发风险。创新性引入测试时间增强（TTA）和保形预测（Conformal Prediction）量化预测不确定性，模型AUC达0.820，证明不确定性评估可提升临床决策可靠性。

　　

引言：头颈鳞癌的复发困境

头颈部鳞状细胞癌（HNSCC）占美国新发癌症的4%，年发病超6万例，死亡率达25%。尽管放化疗技术进步，早期患者1年内复发率仍达10%，晚期患者最终复发率高达30%-40%。目前临床依赖FDG-PET/CT进行术后监测，但假阳性/假阴性问题突出。影像组学通过提取CT/PET中肉眼不可见的定量特征，结合AI技术为复发预测提供新思路。

方法：双管齐下的AI模型构建

研究纳入249例患者的治疗前后配对PET/CT数据，建立两条技术路线：

1. 1.

   传统机器学习管道：从428个影像组学特征（Pyradiomics提取）和15个临床特征出发，通过Pearson相关性过滤（阈值>0.7）和LASSO回归筛选6-10个关键特征，结合逻辑回归、支持向量机（SVC）、可解释增强分类器（EBC）和XGBoost构建模型，采用五折交叉验证。

2. 2.

   视觉Transformer模型：基于SAM-Med3D架构，将4通道的64×64×64体素输入预训练编码器，添加轻量级分类头进行微调，采用加权随机采样（负正比60:40）解决数据不平衡。

创新性引入测试时间增强（TTA）添加高斯噪声（幅度0.1×标准差），通过偏移熵量化不确定性；同时采用保形预测在α=0.05水平划分确定/不确定预测集。

结果：模型表现与临床洞见

机器学习模型表现优异：

• •

  平均AUC 0.820（95%CI 0.800-0.840）

• •

  特异性0.852，敏感性0.608

• •

  XGBoost和EBC在12/25折现中表现最佳

关键临床特征包括：

• •

  临床T分期

• •

  吸烟状态

• •

  实际照射剂量

• •

  p16状态（HPV替代标志物）

• •

  处方放疗剂量

视觉Transformer模型（SAM-Med3D）表现中等（AUC=0.658），可能受限于数据规模和肿瘤局部特征提取能力。

不确定性分析揭示：

• •

  排除30%高不确定性样本后，敏感性从0.526提升至0.629

• •

  不确定组患者复发比例更高（p<0.05）

• •

  保形预测确定的"不确定"病例AUC仍达0.787

讨论：临床转化价值与局限

研究亮点在于系统性模型比较策略和不确定性量化框架。与传统PET/CT监测（敏感性95-96%）相比，当前模型虽未达临床金标准，但为资源有限地区提供自动化筛查可能。值得注意的是：

• •

  老年患者治疗不足与复发风险的相关性得到验证

• •

  剂量差异（处方vs实际）是重要预测因子

• •

  p16阳性（HPV相关）肿瘤预后较好的特征被模型捕获

局限包括样本量不足（n=249）、HPV状态数据缺失率较高，以及视觉Transformer的优化空间。未来需通过外部验证和多中心研究推进临床转化。

结论：AI辅助决策新范式

研究证实结合影像组学与临床特征的机器学习模型在HNSCC复发预测中具有优势，XGBoost和EBC表现突出。通过TTA和保形预测实现的不确定性量化，不仅提升模型可靠性，更为临床提供风险分层依据——高不确定性病例可能对应复杂病情，提示需要加强随访。这种AI辅助决策框架为个性化医疗提供新工具。