摘要
背景
精确勾画食管癌放疗的毛肿瘤体积（GTV）至关重要，但由于肿瘤边界不清晰，仅基于CT的自动勾画仍然困难。
目的
本研究旨在开发并验证一种结合空间掩码先验与LLaMA3编码临床文本条件的两阶段双提示框架，用于食管原发GTV勾画。
方法：
本多中心研究共纳入857例患者：500例用于模型开发，125例用于内部验证，50例用于消融分析，182例用于外部验证。所提出的框架由两个阶段组成：(1) 基于CT的自动分割网络，生成初始GTV作为空间掩码提示；(2) 一个精修网络，联合整合空间掩码提示以及由结构化临床信息经LLaMA3编码得到的临床文本提示。使用重叠度、表面距离和体积指标评估性能，并与多个最先进的深度学习模型进行比较。通过消融分析和影像组学分析评估各组件的贡献及下游一致性。
结果
在内部验证中，该框架达到DSC为80.32 ± 6.65%，HD95为11.42 ± 8.90 mm，绝对体积差异为9.99 ± 10.49 mL；与对比模型相比，所有Holm校正后的p值均<0.001。两个外部队列的平均DSC分别为78.60 ± 13.39%和78.36 ± 15.54%。在外部队列A中，ContextUNETR的平均HD95低于所提出模型（10.93 ± 8.03 vs. 13.44 ± 18.90 mm），尽管配对差异在Holm校正后无统计学显著性（校正后p = 0.906）。与直接的第一阶段输出相比，完整框架在内部及两个外部验证队列中均一致性地改善了重叠度、边界距离和体积一致性指标（所有校正后p < 0.001）。与使用相同变量的MLP相比，LLaMA3编码提高了DSC（校正后p = 0.009），但ASSD无显著差异。自动勾画和手动勾画的GTV表现出高度的影像组学一致性和可比的预后性能。
结论
该框架在多中心验证队列中改善了仅基于CT的食管原发GTV勾画的重叠度和体积一致性，尽管边界距离性能在不同外部队列中存在差异。
利益冲突声明
作者声明不存在任何利益冲突。
数据可用性声明
本研究中使用的数据集可通过向通讯作者提出合理请求获取。
