临床科研 | 复旦大学附属肿瘤医院宋少莉教授团队基于多任务深度学习开发局部晚期鼻咽癌患者预后预测模型

鼻咽癌是一种鼻咽黏膜被覆上皮的恶性肿瘤，在东亚和东南亚的发病率很高；约70%-80%的患者初诊即为局部晚期鼻咽癌。鼻咽癌对放疗敏感，因此其治疗手段以放疗为主，辅以化疗、靶向治疗等。由于局部复发和远处转移，局部晚期鼻咽癌患者的5年生存率通常在10%到40%之间。目前根据肿瘤TNM分期进行预后预测的效能不足，因此，开发有效的预后预测和风险分层模型是局部晚期鼻咽癌患者诊疗中亟待解决的问题。

宋少莉教授团队回顾性分析了886例治疗前行18F-FDG PET/CT检查的局部晚期鼻咽癌（TNM III期或IVa期）患者的临床资料、18F-FDG PET/CT图像和随访数据（无进展生存期，PFS）。采用DeepMTS从患者治疗前18F-FDG PET/CT图像中提取预后预测评分DeepMTS-Score和肿瘤区域的分割掩膜，肿瘤掩膜被用于自动化传统影像组学分析，输出预后预测评分AutoRadio-Score。随后，作者对临床数据及预后预测分数进行单因素和多因素分析，筛选出与PFS有显著相关性的预后指标，构建基于多任务深度学习诺莫图模型用于局部晚期鼻咽癌患者生存预后预测（图1）。

图1 构建多任务深度学习的影像组学诺莫图模型的流程图

在训练集的单变量分析中，临床数据和常规PET参数中只有TNM分期与PFS显著相关（P = 0.031）。然而在内部和外部验证集中，这些参数都与PFS没有显著相关性。值得注意的是，在单变量分析与多变量分析中，DeepMTS-Score和AutoRadio-Score都与PFS显著相关，可以作为预测所有三个队列中疾病进展的独立因素（表1）。

表1 对训练集、内部验证集和外部验证集的 PFS 进行多变量Cox比例风险回归分析

基于多变量分析结果，作者构建了包含TNM分期、AutoRadio-Score和DeepMTS-Score的MTDLR诺莫图模型（图2）。在训练集、内部验证集和外部验证集中，MTDLR模型的C-index为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为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）。校准曲线显示，诺莫图预测的3年和5年PFS概率与观察到的PFS概率高度一致（Hosmer-Lemeshow拟合优度检验P值均大于0.05）。

图2 MTDLR诺莫图模型和校准曲线

图3 ROC曲线

团队使用ROC曲线计算的截断值将上述评分连续性变量转换为二分类变量（图3），对患者进行风险分层（低风险组和高风险组，图4）。其中，TNM分期仅在训练集中对患者进行有效风险分层，而MTDLR模型三个队列中均能有效风险分层，且具有最高的HR值（训练集HR：10.250，95% CI：6.853–15.340；内部训练集HR：7.519，95% CI：2.339-24.170；外部训练集HR：4.812，95% CI：2.291-10.100）。

图4 鼻咽癌患者风险分层的Kaplan–Meier曲线

宋少莉教授介绍说，该研究采用多任务深度学习生存预测模型（DeepMTS）提取局部晚期鼻咽癌患者治疗前18F-FDG PET/CT图像中的DeepMTS-Score和AutoRadio-Score，同时结合TNM分期构建了多任务深度学习影像组学诺莫图模型（MTDLR），用于评估多任务深度学习对于局部晚期鼻咽癌患者预后预测的价值。与传统影像组学和单任务深度学习相比，MTDLR模型提取了更多的肿瘤异质性信息，同时捕捉肿瘤内部和肿瘤外的预后信息，更好地预测局部晚期鼻咽癌患者的生存预后，并对患者进行风险分层（低分险组和高风险组），为临床个体化治疗决策提供了潜在的指导价值。

来源：复旦大学附属肿瘤医院

转自：“威斯腾生命科学研究院”微信公众号

如有侵权，请联系本站删除！