AV无码中文,国内性爱短视频精选不卡,熟女丝袜无码

基于Transformer的腫瘤與體成分CT影像融合模型預測胃癌術后復發

《npj Digital Medicine》：A transformer-based prognostic signature integrating tumor and body composition CT images predicts postoperative recurrence in gastric cancer

【字體：大中小】 時間：2025年12月05日 來源：npj Digital Medicine 15.1

編輯推薦：

　　本研究針對胃癌(GC)術后復發預測中傳統模型忽視身體成分的問題，開發了一種整合骨骼肌(SM)、脂肪組織(AT)、腫瘤CT影像和臨床特征的多模態Transformer深度學習模型(SMAT-TC)。該模型在包含1862例患者的隊列中驗證，預測無復發生存(RFS)的C-index在訓練、內部和外部驗證隊列中分別達0.966、0.890和0.855，顯著優于單一模型。研究表明，整合身體成分特征可顯著提升預后分層能力，為個體化治療決策提供新工具。

胃癌是全球范圍內常見的惡性腫瘤，也是癌癥相關死亡的主要原因之一。盡管治療手段不斷進步，但仍有超過半數的患者在根治性切除術后出現復發。目前，術前的預后評估主要依賴于TNM分期系統，然而，處于相同分期的患者，其生存結局仍存在顯著差異。這表明，迫切需要尋找更強大的生物標志物，以提供更精準的預后信息，從而優化治療策略。營養不良是胃癌患者中普遍存在且嚴重的問題，與治療反應差和不良預后密切相關。身體成分分析，特別是骨骼肌和脂肪組織，作為營養狀況的指標，在癌癥預后評估中日益受到重視。計算機斷層掃描是評估身體成分的金標準，同時也是胃癌診斷和分期的常規檢查。因此，術前CT圖像不僅包含了反映腫瘤生物學異質性的信息，也蘊含了指示營養狀態的骨骼肌和脂肪組織信息。然而，迄今為止，這些影像信息在預后預測中往往被分開使用。深度學習技術，特別是Transformer模型，因其強大的特征提取和長距離依賴關系建模能力，在醫學影像分析中展現出巨大潛力。本研究旨在開發并驗證一種基于Transformer的深度學習模型，通過整合基線CT圖像中的腫瘤和身體成分特征，來預測胃癌患者的術后復發風險，探索多源影像數據融合是否能提升模型的預測性能和風險分層能力。

本研究主要采用了基于Transformer架構的深度學習技術，構建了多個預測模型（如單獨的腫瘤模型、SM模型、AT模型，以及融合模型TC、SM-TC和SMAT-TC）。研究隊列來自兩個醫療中心，共納入1862例接受根治性切除術的胃癌患者，分為訓練隊列（1242例）、內部驗證隊列（311例）和外部驗證隊列（309例）。關鍵技術步驟包括：從術前靜脈期CT圖像中手動分割腫瘤體積，并在第三腰椎水平半自動分割骨骼肌和脂肪組織區域；使用數據增強技術擴充數據集；構建多流Transformer模型，分別處理腫瘤（三維）、SM（二維）和AT（二維）圖像特征，并與臨床風險因素（如CEA水平、TNM分期、淋巴結轉移率LNR、輔助化療AC等）進行融合；模型性能通過C指數、凈重分類改善指數NRI和綜合判別改善指數IDI等指標進行評估。

結果

基線特征

研究共納入1862例符合條件的患者（平均年齡57.5±11.1歲；男性占64.8%）。大多數患者（96.3%）為病理II期或III期，70.9%的患者接受了術后輔助化療。中位隨訪23.0個月，40.0%的患者出現復發。不同隊列間的基線特征基本均衡。圖像分割具有良好的一致性，讀者間分割的Dice相似系數均值為0.951±0.034，表明分割變異較小。

預測模型性能比較

多變量Cox回歸分析確定CEA水平、腫瘤位置、T分期、N分期、陽性淋巴結比率LNR和輔助化療AC是與腫瘤復發相關的獨立風險因素�；诖说呐R床模型預測RFS的C指數在訓練、內部驗證和外部驗證隊列中分別為0.782、0.737和0.603。融合模型（TC、SM-TC、SMAT-TC）的性能均優于單一模型（臨床、腫瘤、SM、AT模型）。其中，整合了所有特征的SMAT-TC模型表現最佳，在內部和外部驗證隊列中的C指數分別達到0.890和0.855。按復發模式分層，該模型對局部區域復發和遠處轉移的預測也表現出色。凈重分類改善NRI和綜合判別改善IDI分析證實，依次添加SM和AT特征能顯著提升模型的判別能力。

SMAT-TC模型的預測能力

SMAT-TC模型預測1年、3年和5年RFS的時間依賴性受試者工作特征曲線下面積AUC在訓練、內部驗證和外部驗證隊列中均表現出高判別力（例如，外部驗證隊列分別為0.855、0.860和0.853）。校準曲線顯示預測概率與實際觀測概率具有良好的一致性。決策曲線分析表明，SMAT-TC模型在臨床相關的概率閾值范圍內能提供比"全部治療"或"全不治療"策略更大的臨床凈獲益。

風險分層與亞組分析

根據SMAT-TC模型評分，患者被分為高、中、低風險組。該模型能有效區分具有不同RFS的風險組。例如，在訓練隊列中，高風險、中風險和低風險組的3年RFS率分別為0.6%、72.3%和100.0%，5年RFS率分別為1.5%、68.1%和100.0%。高風險組患者的RFS顯著差于中風險和低風險組。亞組分析進一步證實，SMAT-TC模型評分在所有預設亞組（如按性別、年齡、TNM分期、分化程度、輔助化療情況分層）中均是RFS的穩健預測因子。

多變量Cox回歸分析

單變量和多變量Cox回歸分析顯示，SMAT-TC評分是RFS的強獨立預測因子。在校正臨床病理變量后，其在內部驗證隊列中的風險比HR為255.2，在外部驗證隊列中為125.7。此外，腫瘤評分、SM評分和AT評分在所有隊列中均為RFS的獨立預測因子，支持了腫瘤、SM和AT特征所提供的互補性預后信息。

討論與結論

本研究成功開發并驗證了一種基于CT的融合模型，用于改善胃癌患者術后復發風險的預測。通過整合身體成分（骨骼肌和脂肪組織）與腫瘤特征及臨床數據，SMAT-TC模型展現出了超越單一數據源模型的卓越預測性能。這表明，充分利用常規獲取的影像數據，無需額外侵入性檢查，即可最大化挖掘預后信息。該模型生成的風險評分是腫瘤復發的獨立風險因素，能夠將患者分層為具有顯著不同無復發生存率的三個預后亞組，有助于識別可能從強化治療（如輔助化療）中獲益的高�；颊�。

研究的創新點在于首次將Transformer架構應用于胃癌的腫瘤與身體成分多模態影像融合分析，并證實了身體成分特征在預后預測中的增量價值。相較于傳統的卷積神經網絡，Transformer在處理長距離依賴和全局上下文信息方面具有優勢，這可能有助于更全面地捕捉腫瘤異質性和身體成分的細微變化。此外，研究采用了大規模多中心隊列進行開發和驗證，增強了結果的可靠性和泛化能力。

當然，研究也存在一些局限性。例如，研究人群均來自中國，結論推廣至其他種族人群需進一步驗證；身體成分分析僅限于L3水平，未來可考慮全腹腔分析；腫瘤分割為手動完成，盡管一致性較高，但引入自動化工具將提升可重復性；研究的回顧性性質限制了對化療依從性等多模態特征關系的深入分析；深度學習模型的"黑箱"特性仍是臨床應用的挑戰，未來需開發更直觀的解釋方法。

總之，這項研究提出的SMAT-TC評分作為一種新型影像學生物標志物，通過挖掘常規腹部CT掃描中的腫瘤和身體成分特征，實現了胃癌患者的精準風險分層。該工具有望優化個性化治療策略，減少過度治療，改善胃癌術后的臨床決策。

熱點排行

新聞專題