江平舟1. 研究背景与临床痛点
鼻咽癌作为头颈部常见的恶性肿瘤，在我国南方地区发病率尤为突出。广西医科大学附属肿瘤医院接诊的病例中，局部晚期鼻咽癌（LANPC）占比超过60%。这类患者在治疗策略上面临关键抉择：是先采用诱导化疗（IC）缩小肿瘤体积，还是直接进行同步放化疗？临床实践表明，约30-40%患者对IC反应不佳，不仅延误了最佳治疗时机，还可能导致肿瘤进展和生存率下降。
当前临床决策主要依赖TNM分期和医师经验，缺乏客观的疗效预测工具。常规MRI检查虽然能提供丰富的解剖学信息，但人眼难以从中提取深层特征。这正是本研究团队开发可解释机器学习模型的出发点——通过深度挖掘常规MRI影像中隐藏的预测因子，建立客观量化的决策辅助系统。
临床现状：三甲医院鼻咽癌多学科会诊中，关于是否采用IC的争议病例约占25%，决策分歧主要源于缺乏可靠的预测工具。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术路线与创新点
2.1 多模态MRI数据整合
研究团队采集了2015-2020年间286例LANPC患者的治疗前MRI数据，包括：
- T1/T2加权成像（层厚3mm）
- 动态对比增强（DCE）序列（时间分辨率15s）
- 扩散加权成像（DWI，b值0/800s/mm²）
特别值得注意的是，团队创新性地将常规序列与功能成像参数（如ADC值、Ktrans等）进行融合，这为模型提供了更全面的生物学特征。
2.2 可解释机器学习框架
模型架构采用三级设计：
-
特征工程层：
- 手工特征：提取肿瘤体积、形状不规则度等158个放射组学特征
- 深度特征：通过3D ResNet自动学习微纹理模式
- 临床特征：EBV DNA载量、LDH水平等
-
预测模型层：
- IC反应预测：XGBoost分类器（AUC 0.89）
- 生存预测：Cox比例风险模型（C-index 0.82）
-
解释性模块：
- SHAP值分析揭示关键预测因子
- 注意力机制可视化病灶热点区域
技术突破：首次实现将DCE-MRI血流动力学参数与放射组学特征联合建模，使模型能同时反映肿瘤结构和功能异质性。
3. 关键发现与临床价值
3.1 预测效能验证
在独立验证集（n=72）中，模型表现：
- IC反应预测：敏感性83.3%，特异性79.6%
- 3年总生存率预测误差±8.2%
尤其对T3-4N2期患者，模型识别出两个高风险亚群：
- 肿瘤体积>30cm³且ADC<0.8×10⁻³mm²/s
- 环形强化伴包膜侵犯
这两类患者IC获益率仅21.4%，直接同步放化疗可能是更优选择。
3.2 临床决策支持
模型输出包括：
- 治疗反应概率（0-100%）
- 预期生存曲线
- 关键影响因子权重排序
如图1示例，一例52岁男性患者：
- 模型预测IC反应概率32%
- 主要负向因子：Ktrans异质性高（SHAP值-0.42）
- 实际治疗：接受IC后进展，验证预测准确性
4. 实操应用指南
4.1 数据采集规范
为保证模型适用性，需严格遵循：
-
MRI扫描参数：
- 3T扫描仪（推荐Siemens Skyra）
- DCE采用TWIST序列（时间分辨率≤20s）
- DWI至少3个b值（0/500/800）
-
病灶勾画：
- 由2名≥5年经验的放射科医师独立完成
- 包含原发灶+转移淋巴结（短径≥1cm）
4.2 模型部署流程
- DICOM数据上传至院内PACS
- 自动触发AI分析流程（约15分钟）
- 生成结构化报告并推送至HIS系统
实施经验：广西肿瘤医院部署后，IC决策时间从3.5天缩短至1.2天，治疗方案更改率达19%。
5. 局限性与改进方向
当前版本存在以下待优化点：
- 对小病灶（<2cm）预测稳定性不足
- 未整合PET-CT代谢参数
- 需要进一步外部验证（特别是非华南人群）
团队正在开发2.0版本，新增：
- 治疗中MRI动态评估
- 基因组学数据融合
- 移动端决策支持APP
这项研究的意义不仅在于技术突破，更重要的是建立了从影像到临床的转化桥梁。通过可解释的AI模型，使"黑箱"决策变得透明可信，最终让患者获得真正个性化的精准治疗。