讓治療更精準，讓預后更可期！AI輔助工具助力喉癌、下咽癌淋巴結包膜外侵犯診斷

喉癌和下咽癌是頭頸部常見的惡性腫瘤，全球每年新發病例超25萬，死亡病例逾13萬。頸淋巴結轉移及淋巴結包膜外侵犯（ene）是影響患者預后的關鍵因素，ene陽性患者的5年生存率顯著低于陰性患者。

然而，當前通過術前ct影像對ene的人工判讀，其精確度、可靠性及一致性均有局限，長期以來缺乏精準的術前診斷工具，給治療方案制定帶來巨大挑戰。

近日，復旦大學附屬中山醫院黃新生、沈納團隊聯合阿里達摩院等多家單位完成一項名為《應用深度學習技術在治療前ct影像中識別喉癌、下咽癌淋巴結包膜外侵犯》（pretreatment ct identification of extranodal extension in laryngeal and hypopharyngeal cancers using deep learning）的研究成果，在國際頂級醫學影像雜志《radiology》上發表。

該研究為回顧性多中心研究，納入復旦大學附屬中山醫院耳鼻咽喉頭頸外科的喉癌、下咽癌患者，構建訓練集、驗證集和內部測試集，并收集三家外部機構的患者隊列作為外部測試集，同時納入口腔鱗癌患者隊列驗證模型泛化性。研究共評估289例喉癌、下咽癌患者的1954枚經病理證實的淋巴結，以及32例口腔鱗癌患者的409枚淋巴結。成功研發并驗證了一款名為deepene的深度學習診斷工具，實現了術前 ct 掃描中喉癌、下咽癌患者轉移性淋巴結及ene的精準檢測，診斷性能顯著優于資深臨床專家。

圖1. deepene整體研究框架和流程

deepene采用創新的雙流2.5 d多尺度深度特征融合和聯合優化網絡，能有效融合淋巴結的局部和全局特征，精準區分良性淋巴結、轉移性淋巴結和轉移性ene淋巴結。在內部測試集中，該工具診斷ene的roc曲線下面積（auc）達0.93；在三個外部喉癌、下咽癌測試集中，auc分別達到0.96、0.87和0.90，整體表現穩定優異。與五位頭頸部影像專家（包括放射科醫生、放療科醫生和核醫學醫生）相比，deepene展現出壓倒性優勢：在外部測試集1中，其敏感性高達97%（專家平均 77%）；在早期ene占比高、診斷難度大的外部測試集2中，auc達0.87（專家平均 0.66），敏感性 78%（專家平均36%）；在外部測試集3中，敏感性80%（專家平均 46%），且特異性保持在90%的較高水平。即使在淋巴結轉移區域不同的口腔鱗癌患者中，deepene仍保持良好性能，ene診斷roc auc達0.82。

圖2. deepene 和醫生讀片對ene的分類性能

ene的術前精準診斷對治療決策至關重要，新版ajcc指南已將ene陽性列為n3b期，直接影響治療方案選擇。deepene的出現，有效解決了傳統人工判讀的諸多痛點，有望協助臨床醫生對ene淋巴結進行術前精準診斷。該工具的臨床應用將為喉癌、下咽癌患者帶來多重獲益：術前精準識別ene狀態，可幫助醫生制定個性化治療方案；同時，精準的ene分層也能優化臨床研究設計，助力針對性治療策略的研發。研究團隊表示，未來將進一步推進該模型的臨床轉化，將其整合到現有臨床工作流程中，開展前瞻性研究驗證其在真實世界臨床決策中的價值。

本研究由復旦大學附屬中山醫院耳鼻咽喉頭頸外科沈納副主任醫師、阿里達摩院高級算法專家王一睿為共同第一作者，復旦大學附屬中山醫院耳鼻咽喉頭頸外科黃新生主任醫師為通訊作者，復旦大學附屬眼耳鼻喉科醫院放射科張放副主任醫師、阿里達摩院資深算法專家金達開博士為共同資深作者。研究得到了復旦大學醫工交叉項目、復旦大學科學智能專項基金、上海市自然科學基金等項目的資助。

上觀號作者：復旦大學附屬中山醫院