基于多模态特征融合的局部晚期喉鳞癌术后无复发生存预测模型构建与验证

本刊推荐：本研究针对局部晚期喉鳞癌（LSCC）术后高复发难题，突破美国癌症联合委员会（AJCC）分期局限，创新性整合临床病理特征、术前血液标志物与增强CT影像组学数据，构建决策级融合模型（DF-Model）。该模型在验证集中C指数达0.826，显著优于特征级融合模型（FF-Model）和单模态模型，通过cNRI/IDI验证其精准预测1/3/5年无复发生存（RFS）能力，为个体化术后治疗策略制定提供重要数据支持。

　　

研究背景与意义

局部晚期喉鳞状细胞癌（LSCC）作为头颈部常见恶性肿瘤，全球年新发病例约18万例，其中43.1-65%患者初诊即为III-IVb期。尽管采用手术联合放化疗综合治疗策略，仍有30-40%患者术后出现局部复发或远处转移，五年无病生存率仅50-65%。现行AJCC TNM分期系统主要依赖解剖学标准，忽视肿瘤异质性、宿主系统状态等关键生物学因素，其预测复发风险的C指数通常低于0.65，难以满足精准个体化风险分层需求。

研究方法与设计

本研究回顾性收集2013-2024年间278例局部晚期LSCC患者数据，按7:3比例分为训练集（n=196）与验证集（n=82）。整合三大数据模态：35项临床病理特征（包括肿瘤位置、手术切缘状态、淋巴血管侵犯等）、术前血液炎症标志物（NLR、PLR、LMR、SII、PNI、ALI、SIRI）以及增强CT影像组学特征。采用ITK-SNAP平台由两位经验丰富的头颈专科医师独立勾画肿瘤感兴趣体积（VOI），保留组内相关系数>0.75的特征。

研究构建四种预测模型：基于临床病理特征的Clinic-score（采用Cox回归与AIC准则筛选变量）、基于3232个影像组学特征的Rad-score（经LASSO回归筛选7个非零系数特征）、特征级融合模型（FF-Model：直接拼接13个临床特征与413个影像特征后经LASSO-Cox筛选16个预测因子）以及决策级融合模型（DF-Model：将Clinic-score与Rad-score作为协变量构建多因素Cox模型）。模型性能通过C指数、时间依赖性ROC曲线、校准曲线、决策曲线分析（DCA）进行评估，并使用连续净重分类改进（cNRI）和综合判别改进（IDI）量化判别能力提升。

核心研究成果

中位随访24.5个月期间，95例（34.2%）患者出现复发。DF-Model在验证集中表现卓越：C指数达0.826（95%CI: 0.763-0.889），显著优于FF-Model（0.741）、Rad-score（0.734）、Clinic-score（0.723）和AJCC分期（0.58）。时间依赖性ROC分析显示DF-Model预测3年/5年RFS的AUC值显著高于FF-Model（p=0.022），校准曲线更接近理想对角线。DCA证实DF-Model在大多数阈值概率范围内具有更高临床净收益。

关键生物学预测因子包括：临床模型中的手术切缘状态（HR=5.756）、对侧颈淋巴结转移、预后营养指数（PNI）；影像组学模型中的三维最大直径（original_shape_Maximum3DDiameter）、小波变换纹理特征（wavelet_LLL_glszm_ZoneEntropy）等反映肿瘤异质性的指标。DF-Model公式为：h(t)=h₀(t)exp(0.009·Clinic-score + 0.036·Rad-score)，其中Rad-score贡献度占80%，表明肿瘤微环境异质性对复发风险的主导作用。

风险分层分析显示，以81.1为临界值可将患者分为低危与高危组，两组RFS存在显著差异（p<0.001）。该分层能力在AJCC III期与IV期亚组、声门型与非声门型肿瘤亚组中均保持稳定，其中III期患者中高危组3年RFS仅31%而低危组达89%，显著突破传统分期限制。

学术价值与临床意义

本研究通过多模态数据融合实现了三大突破：一是将"肿瘤解剖特征-宿主系统状态-治疗质量"框架纳入统一预测体系，首次在局部晚期LSCC中实现超过0.8的C指数；二是证实决策级融合策略优于特征级融合，避免高维影像特征对临床信息的稀释效应；三是构建的可视化列线图与在线计算器（https://huangxiaoying.shinyapps.io/dynnomapp）为临床实践提供便捷工具。

该模型对个体化治疗决策具有直接指导价值：高危患者可考虑强化辅助治疗（如增加化疗或扩大放疗范围），低危患者则可避免过度治疗。特别是对于AJCC分期相同但生物学行为迥异的患者，模型能识别真正高危人群，如PNI低下伴肿瘤高异质性者，此类患者可能从营养干预与密切随访中获益。

局限与展望

本研究存在单中心回顾性设计的固有局限，未进行外部验证。未来需开展多中心前瞻性研究验证普适性，并探索与PD-L1、HPV status等分子标志物的整合。技术层面需优化特征选择算法（如采用transformer网络），开发动态风险更新系统，加强临床工作流程整合教育，最终实现从预测模型到临床决策支持的完整转化通路。