鼻咽癌是一種鼻咽黏膜被覆上皮的惡性腫瘤，在東亞和東南亞的發病率很高；約70%-80%的患者初診即為局部晚期鼻咽癌🧧。鼻咽癌對放療敏感，因此其治療手段以放療為主🧔🏽，輔以化療、靶向治療等。由於局部復發和遠處轉移🙎🏼，局部晚期鼻咽癌患者的5年生存率通常在10%到40%之間。目前根據腫瘤TNM分期進行預後預測的效能不足🕊，因此⛳️🛼，開發有效的預後預測和風險分層模型是局部晚期鼻咽癌患者診療中亟待解決的問題🔓。
2023年8月19日👎🏿🛋，MK体育平台附屬腫瘤醫院宋少莉教授課題組在核醫學頂級期刊European Journal of Nuclear Medicine and Molecular Imaging發表了文章。該研究采用團隊前期開發的多任務深度學習生存預測模型（DeepMTS）👩🏿🏫，對鼻咽癌患者治療前18F-FDG PET/CT圖像進行聯合生存風險評分和腫瘤分割🤦🏼♂️，從中得到的生存風險評分（DeepMTS-Score）可直接用於生存預後預測🧚🏻♀️，而腫瘤分割結果被用於自動化的傳統影像組學分析並輸出生存風險評分（AutoRadio-Score）👨🏿🦱。隨後，通過整合DeepMTS-Score、AutoRadio-Score和臨床數據，構建基於多任務深度學習的影像組學諾莫圖模型（MTDLR），從而提高局部晚期鼻咽癌患者預後預測的準確性和可解釋性🤷🏼，實現更好的患者風險分層✪，對臨床個體化治療決策提供潛在的指導。
宋少莉教授團隊回顧性分析了886例治療前行18F-FDG PET/CT檢查的局部晚期鼻咽癌（TNM III期或IVa期）患者的臨床資料🗻、18F-FDG PET/CT圖像和隨訪數據（無進展生存期，PFS）☝️。采用DeepMTS從患者治療前18F-FDG PET/CT圖像中提取預後預測評分DeepMTS-Score和腫瘤區域的分割掩膜，腫瘤掩膜被用於自動化傳統影像組學分析🫏，輸出預後預測評分AutoRadio-Score🍯。隨後，作者對臨床數據及預後預測分數進行單因素和多因素分析💇，篩選出與PFS有顯著相關性的預後指標👩❤️💋👩，構建基於多任務深度學習諾莫圖模型用於局部晚期鼻咽癌患者生存預後預測（圖1）。
圖1 構建多任務深度學習的影像組學諾莫圖模型的流程圖。
在訓練集的單變量分析中，臨床數據和常規PET參數中只有TNM分期與PFS顯著相關（P = 0.031）🚮。然而在內部和外部驗證集中，這些參數都與PFS沒有顯著相關性。值得註意的是，在單變量分析與多變量分析中，DeepMTS-Score和AutoRadio-Score都與PFS顯著相關，可以作為預測所有三個隊列中疾病進展的獨立因素（表1）。
表1 對訓練集、內部驗證集和外部驗證集的 PFS 進行多變量Cox比例風險回歸分析。
基於多變量分析結果，作者構建了包含TNM分期、AutoRadio-Score和DeepMTS-Score的MTDLR諾莫圖模型（圖2）。在訓練集、內部驗證集和外部驗證集中📮，MTDLR模型的C-index為0.818（95% CI：0.785–0.851，P < 0.001）、0.752（95% CI：0.638–0.865，P < 0.001）和0.717（95% CI🧑🏼：0.641–0.793，P < 0.001）🉐；AUC為0.859（95% CI：0.822–0.895，P < 0.001）⛪️⏳、0.769（95% CI：0.642–0.896，P < 0.001）和0.730（95% CI：0.634–0.826🩴，P < 0.001）。校準曲線顯示➾，諾莫圖預測的3年和5年PFS概率與觀察到的PFS概率高度一致（Hosmer-Lemeshow擬合優度檢驗P值均大於0.05）。
圖2 MTDLR諾莫圖模型和校準曲線。
圖3 ROC曲線𓀙。
團隊使用ROC曲線計算的截斷值將上述評分連續性變量轉換為二分類變量（圖3），對患者進行風險分層（低風險組和高風險組⏸，圖4）。其中，TNM分期僅在訓練集中對患者進行有效風險分層，而MTDLR模型三個隊列中均能有效風險分層，且具有最高的HR值（訓練集HR🫶🏽：10.250👉🏻，95% CI👨🏿🦳：6.853–15.340；內部訓練集HR🤱：7.519🥹，95% CI：2.339-24.170；外部訓練集HR🤾🏼♀️：4.812，95% CI：2.291-10.100）。
圖4 鼻咽癌患者風險分層的Kaplan–Meier曲線。
宋少莉教授介紹說，該研究采用多任務深度學習生存預測模型（DeepMTS）提取局部晚期鼻咽癌患者治療前18F-FDG PET/CT圖像中的DeepMTS-Score和AutoRadio-Score🐷，同時結合TNM分期構建了多任務深度學習影像組學諾莫圖模型（MTDLR），用於評估多任務深度學習對於局部晚期鼻咽癌患者預後預測的價值。與傳統影像組學和單任務深度學習相比🏠，MTDLR模型提取了更多的腫瘤異質性信息，同時捕捉腫瘤內部和腫瘤外的預後信息❕，更好地預測局部晚期鼻咽癌患者的生存預後，並對患者進行風險分層（低分險組和高風險組）🚐，為臨床個體化治療決策提供了潛在的指導價值。
據悉，本文第一作者為MK体育平台附屬腫瘤醫院核醫學科主治醫師顧丙新、悉尼大學計算機學院博士研究生蒙明遠、MK体育平台附屬腫瘤醫院核醫學科博士研究生徐明真，通訊作者為MK体育平台附屬腫瘤醫院核醫學科主任宋少莉☸️、悉尼大學計算機學院教授Jinman Kim、上海交通大學長聘教軌副教授畢磊。
