基于深度学习自动分割与CT弹性成像组学预测食管癌右喉返神经淋巴结转移

《Frontiers in Oncology》:Deep learning-based automatic segmentation and CT elastography radiomics for preoperative prediction of right recurrent laryngeal nerve lymph node metastasis in esophageal cancer

【字体: 大 中 小 】 时间:2026年04月24日 来源:Frontiers in Oncology 3.3

编辑推荐:

  本研究针对食管鳞癌(ESCC)右喉返神经(RLN)淋巴结转移术前评估难题,创新性结合nnU-Net自动分割与CT弹性成像(CTE)组学,构建了基于一阶熵与分形维数的预测模型,为精准术前决策提供了非侵入性新工具。

  

精准“排雷”:AI与弹性组学如何预判食管癌最难搞的淋巴结转移?

对于胸外科医生来说,食管癌手术中,右喉返神经(RLN)旁的淋巴结就像埋在手术视野里的“地雷”。这里解剖结构复杂,紧贴大血管和神经,一旦发生转移,清扫难度极大,且极易损伤神经导致术后声音嘶哑甚至呼吸困难。传统的CT检查往往只能“以貌取人”——主要看淋巴结大小(短径>1 cm),但很多微小的转移灶(<5 mm)因为个头不够大,很容易被漏掉。这直接导致患者要么清扫不足(肿瘤残留),要么过度清扫(并发症风险激增)。
有没有办法在手术前,就精准“看透”这些淋巴结的内部质地,判断其良恶性呢?厦门大学附属中山医院团队在《Frontiers in Oncology》上发表的研究,给出了一个令人振奋的答案:利用深度学习(nnU-Net)自动圈出淋巴结,再结合CT弹性组学(CT Elastography Radiomics),构建一个高精度的预测模型。

技术路线速览

研究团队从两家国内医疗中心回顾性纳入了415例ESCC患者(训练集313例,外部验证集102例)。技术核心分为两步:
  1. 1.
    自动分割:利用nnU-Net框架自动识别并勾画右RLN区域淋巴结,解决了传统人工勾画(ROI)耗时且主观性强的问题。
  2. 2.
    弹性组学分析:基于分割出的淋巴结,生成差分弹性图(DEM),提取反映组织异质性的一阶熵和多尺度分形维数等特征,构建预测模型。

结果:熵值越高,转移风险越大

1. 模型“画”得准(自动分割结果)
nnU-Net模型在测试集上的Dice相似系数达到了0.898 ± 0.024,证明AI能够高度精确地自动识别淋巴结轮廓,为后续分析打下了坚实基础。
2. 纹理“藏”玄机(特征筛选与诊断效能)
研究最终筛选出5个最具判别力的DEM特征,其中一阶熵(E_original_firstorder_Entropy)表现最佳。结果发现,转移组淋巴结的熵值和分形维数显著高于非转移组(P < 0.001)。这意味着,转移淋巴结的内部弹性结构更混乱、更不规则。在验证集中,熵特征的AUC(曲线下面积)达到了0.814,敏感性和特异性分别为0.895和0.709,显著优于单纯看大小的传统方法。
3. 临床“用”得上(模型校准与决策分析)
校准曲线显示模型预测概率与实际风险高度一致,决策曲线分析(DCA)证实,在10%–70%的阈值概率范围内,使用该模型均能带来明确的临床净获益。

结论与意义

这项研究成功打通了一条“全自动、非侵入性”的术前评估路径。它不再依赖医生的肉眼和经验,而是通过AI量化淋巴结的“软硬”和“纹理”来揭示其生物学本质。对于临床实践而言,这意味着:
  • •
    精准决策:术前明确RLN淋巴结状态,帮助医生决定是进行根治性清扫还是选择新辅助治疗。
  • •
    保护功能:避免对阴性淋巴结的过度清扫,最大程度保护喉返神经功能,提高患者术后生活质量。

关键技术方法归纳

本研究基于415例ESCC患者(训练集n=313,外部验证集n=102)的术前CT影像,构建了自动化预测流程。首先,采用nnU-Net深度学习架构进行右RLN淋巴结的自动3D分割,替代了传统人工勾画。其次,基于分割结果生成CT差分弹性图(DEM),通过计算梯度与Hessian矩阵的仿射不变响应,提取反映组织生物力学特性的影像组学特征。最后,利用PyRadiomics及自定义算法提取一阶统计量(如熵)与多尺度分形维数,并通过统计检验(P<0.05)与AUC(>0.7)筛选构建预测模型,利用ROC与DCA评估其效能。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号