Deep learning integrated clinical-radiomics model for prognostic prediction in locally advanced cervical cancer through 18 F-FDG PET/CT and MRI combination

宫颈癌仍然是一个严峻的挑战，特别是当它被诊断为局部晚期阶段时，即肿瘤已经生长到子宫颈之外，但尚未扩散到远处器官。对于这些患者，标准治疗方案是同时进行化疗和放疗的严格组合。虽然这种方法挽救了许多生命，但它并不能保证成功；大约三分之一的患者在两年内会出现疾病复发，而对于那些复发的患者，预后往往很差。目前，医生依靠广泛的临床类别和基础血液检查来推测哪些患者面临最高的复发风险，但这些工具往往缺乏有效定制治疗所需的精准度。为了弥补这一差距，研究人员正转向图像本身。现代医学扫描仪，例如那些利用放射性糖来点亮活跃细胞或利用磁场来绘制软组织结构的扫描仪，捕捉到的数据远超肉眼所能见到的范围。通过使用先进的计算机算法来分析这些隐藏的模式，科学家们希望在治疗开始之前，就能揭示患者发生疾病进展的具体风险。

作为实现这一目标的重要一步，浙江省中医院的一支研究团队开发了一种结合传统医学影像与人工智能的新型预测工具。该研究重点关注了346名接受了同步化疗放疗的局部晚期宫颈癌女性患者。在治疗开始前，每位患者都接受了两类扫描：一种是正电子发射断层扫描结合计算机断层扫描（PET-CT），用于追踪肿瘤消耗多少糖分；另一种是磁共振成像（MRI）扫描，提供肿瘤结构和水分运动的详细图像。研究人员不仅观察这些图像，还将它们输入到一个旨在寻找预测癌症是否复发的细微线索的复杂计算机系统中。

该团队构建了一个充当“数字顾问”的模型，整合了三种不同的信息来源。首先，它查看标准的临床因素，如患者的年龄和癌症的具体分期。其次，它进行了“影像组学”（radiomics）分析，即计算机将肿瘤图像分解为数千个微小的、可测量的特征，如纹理和形状，从而创建出肿瘤独特的数字指纹。第三，也是最重要的一点，该系统采用了深度学习，这是一种模仿人类大脑从数据中学习能力的机器学习形式。与依赖预定义测量值的影像组学方法不同，深度学习算法通过扫描原始图像，自动发现人类可能会忽略的复杂、高阶模式。通过将这三条线索——临床病史、测量的图像特征以及AI发现的模式——编织在一起，研究人员创建了一个能够预测疾病未来走向的综合模型。

当团队测试这个新模型时，结果令人瞩目。这个被称为“临床-影像组学-深度学习”的组合系统，展示出了远超传统方法的准确度。在用于训练系统的患者组中，该模型几乎在所有病例中都正确识别了结果。更重要的是，当在从未见过的另一组患者身上进行测试时，该模型保持了极高的可靠性，正确预测了超过90%的病例发生疾病进展。这一表现显著优于仅依赖标准临床因素的方法，后者难以区分高风险和低风险患者。研究还发现，在传统的影像组学分析中加入深度学习组件，可以显著提升准确度，这表明计算机寻找隐藏模式的能力确实在人类设计的测量值之外提供了真正的价值。

研究人员谨慎地指出，尽管该模型前景广阔，但它目前还不是适用于每家诊所的最终解决方案。由于该研究是在单一医院进行的，且测试组中经历复发的患者数量相对较少，这意味着在广泛采用该模型之前，需要在更大规模、更多样化的群体中对其进行验证。此外，虽然该模型擅长预测结果，但计算机识别出某些模式背后的具体生物学原因在某种程度上仍是一个谜，就像一个只给出正确答案却无法完全解释其推理过程的“黑箱”。作者建议，未来的工作应侧重于理解这些数字线索背后的生物学意义，并在随访患者随时间变化的临床研究中对模型进行测试。

最终，这项工作代表了医生对待宫颈癌方式的一种转变。与其对所有局部晚期患者采取相同的治疗方案，不如利用这一工具来识别那些最有可能出现复发的患者。如果一名患者被此类系统标记为高风险，医生可以考虑加强治疗强度，或安排更频繁的随访，以便及早发现疾病的回归。相反，那些被预测有良好预后的患者则可能避免不必要的过度激进治疗。通过将医学图像中的不可见细节转化为可操作的知识，这项研究使该领域向真正的个性化医疗迈进了一步，即根据每个个体肿瘤独特的生物学特性来量身定制治疗策略。