基于多尺度MRI、放射学报告及血液生物标志物引导的多模态深度学习预测宫颈癌术后复发:一项多中心研究

《Cancers》:Multi-Scale MRI, Radiology Reports, and Blood Biomarker–Guided Multimodal Deep Learning for Predicting Postoperative Recurrence in Cervical Cancer: A Multicenter Study

【字体: 大 中 小 】 时间:2026年09月23日 来源:Cancers 4.8

编辑推荐:

  目的:宫颈癌(cervical cancer, CC)仍是全球女性癌症相关发病和死亡的主要原因之一,术后复发对长期生存构成重大挑战。多模态数据整合(包括影像、文本和临床信息)在提升预后预测方面具有显著潜力。本研究旨在开发并验证一种用于预测可手术宫颈癌患者复发的

  
目的:宫颈癌(cervical cancer, CC)仍是全球女性癌症相关发病和死亡的主要原因之一,术后复发对长期生存构成重大挑战。多模态数据整合(包括影像、文本和临床信息)在提升预后预测方面具有显著潜力。本研究旨在开发并验证一种用于预测可手术宫颈癌患者复发的多模态、多尺度深度学习(deep learning, DL)模型。

方法:这项多中心回顾性研究纳入了来自三家医疗机构的445例可手术宫颈癌患者,所有患者均具有术前MRI及相应的放射学报告。研究人员开发了一种结合ConvNeXt和双路径视觉Transformer(Vision Transformer, ViT)的多尺度模型(Multi-Scale Model, MSM)。利用BERT从放射学报告中提取文本特征,并与影像和临床数据融合,构建多模态网络(MSM-TC)。此外,通过Shapley加性解释(SHapley Additive exPlanations, SHAP)和注意力可视化增强了模型的可解释性。

结果:整合ConvNeXt和ViT的MSM在训练集、内部验证集和外部验证集中分别取得了0.944、0.837和0.681的受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)值。加入文本数据(MSM-T)后,性能进一步提升(AUC分别为0.902、0.860和0.742)。最终整合影像、文本和临床数据的多模态模型(MSM-TC)表现出最高的预测准确性,在训练集、内部验证集和外部验证集中的AUC分别为0.930、0.860和0.798。Kaplan–Meier分析证实,模型导出的风险评分能够有效将患者分为高风险组和低风险组。

结论:研究人员开发的多模态、多尺度DL框架能够稳健地预测可手术宫颈癌患者的复发和生存,支持其在个体化预后评估和未来临床转化中的应用潜力。
宫颈癌是女性第四大常见恶性肿瘤,术后复发率可高达30%,严重威胁患者长期生存。目前的国际妇产科联盟(FIGO)临床分期系统虽为常用预后评估工具,但相同分期患者间仍存在显著预后异质性,且传统列线图仅纳入临床病理因素,难以全面反映肿瘤生物学差异。近年来,基于人工智能(AI)的影像组学和深度学习(DL)方法在肿瘤预后预测中显示出潜力,但单一模态信息难以充分刻画肿瘤的复杂性。为此,研究人员提出了一种整合术前MRI、放射学报告和临床数据的多模态、多尺度深度学习框架,旨在提高可手术宫颈癌患者术后复发和生存预测的准确性。

研究人员开展了一项多中心回顾性研究,纳入三家医疗机构共445例可手术宫颈癌患者,利用多尺度卷积网络ConvNeXt和双路径视觉Transformer(ViT)提取MRI中的层次化与异质性影像特征;同时使用BERT模型从非结构化放射学报告中提取语义特征,并与临床指标(如鳞状细胞癌抗原、CA125等)融合,构建了最终的多模态预测模型(MSM-TC)。结果表明,该模型在外部验证集中取得了0.798的受试者工作特征曲线下面积(AUC),且经Kaplan–Meier分析确认能够有效区分高风险与低风险患者,显示出良好的泛化性和临床转化潜力。

在关键技术方法方面,研究者使用了三个主要技术路径:其一,采用基于ConvNeXt的三阶段卷积分支和基于双路径(Large Pathway与Small Pathway)ViT的注意力分支,通过交叉注意力机制融合局部纹理与全局上下文特征,构成多尺度图像特征提取网络;其二,利用BERT将放射学报告编码为768维文本特征向量;其三,将影像、文本和临床变量经多层感知机(MLP)进行融合并输出复发风险评分。模型可解释性通过Gradient-weighted Class Activation Mapping(Grad-CAM)热力图和SHAP值分析实现。样本队列来自三家机构,其中训练集271例、内部验证集117例、外部验证集57例,外部验证队列来自另两家独立医疗中心。

研究结果部分,基线特征(Baseline Characteristics)显示,总体445例患者中75例确诊复发,复发率在训练、内部验证和外部验证队列分别为18.81%、13.68%和14.04%,中位随访76个月,中位年龄54岁。图像与文本模型性能(Image- and Text-Based Model Performance)比较中,影像分支的ConvNeXt表现最稳定,外部验证AUC为0.656;ViT也展示出较强的泛化能力;文本分支中标准BERT优于其他变体,外部验证AUC为0.681。多尺度与多模态模型比较(Multi-Scale and Multi-Modal Models Comparison)中,融合ConvNeXt与ViT的多尺度模型(MSM)将外部验证AUC提升至0.681,加入文本数据后(MSM-T)提升至0.742,最终加入临床数据的MSM-TC达到0.798,为最优模型。消融研究(Ablation Studies of the MSM)显示,去除ConvNeXt导致内部验证AUC从0.837降至0.709,而去除S-Pathway使外部验证AUC降至0.587,表明卷积分支和ViT小路径分别对局部特征和细粒度空间信息至关重要。可视化结果(Visualization Results)中,Grad-CAM热图显示MSM能同时关注肿瘤核心及边缘区域,SHAP分析确认模型风险评分是最重要的预测特征,其次是CA125、SCC等临床指标及其图像衍生特征。

讨论部分指出,该模型通过多模态融合显著优于单一模态模型,且注意力可视化和SHAP分析增强了临床可解释性。局限性包括各中心报告风格差异、手动感兴趣区勾画的扩展性受限、外部验证样本量较小导致的统计精度有限,以及未评估治疗相关因素等。研究结论为:研究人员开发并验证了一种整合术前MRI、影像报告和临床数据的多模态多尺度DL框架,能够较准确预测可手术宫颈癌患者的5年复发风险,有望用于临床个体化风险分层与监测。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号