首页 > 文章详情

2026 SGO 中国之声 | 基于多参数 MRI 机器学习的外阴鳞状细胞癌患者预后预测

04月15日

来源：肿瘤资讯

对于外阴鳞状细胞癌（VSCC）患者，FIGO 分期系统被广泛视为疾病分类的标准临床框架，并与预后密切相关。然而在临床实践中，处于相同 FIGO 分期的 VSCC 患者预后仍存在显著异质性。福建省肿瘤医院徐沁教授团队的一项研究旨在开发一种基于多参数 MRI 的机器学习模型，以实现外阴鳞状细胞癌的生存预测和风险分层，从而为指导个体化治疗决策提供重要支持。

研究正文

本研究回顾性纳入了 2007 年 3 月至 2024 年 12 月期间来自两家医疗中心的 151 例 VSCC 患者。其中，来自中心 I 的 103 例患者通过五折交叉验证策略被分为训练集和内部验证集，而来自中心 II 的 48 例患者构成了独立外部测试队列。研究人员开发了一个多序列融合深度学习模型，用以从 MRI 图像中提取深度学习特征。这些特征与影像组学特征相结合，并通过三阶段特征筛选过程确定与患者预后最相关的特征。随后，研究人员采用了五种机器学习算法融合这些多模态特征进行生存预测，并利用 SHAP（SHapley Additive exPlanations）分析评估特征重要性。研究人员根据一致性指数（C-index）和曲线下面积（AUC）等指标，综合评价了各模型在不同数据模态下的预测性能。此外，通过校准曲线和决策曲线分析（DCA）评估了模型的预测可靠性和临床实用性。

在所有构建的模型中，整合了深度学习和影像组学特征的模型表现出最佳的预测性能。具体而言，基于支持向量机（SVM）的融合模型表现出优异的整体性能。该模型在内部验证集中的 C-index 为 0.837±0.060，在外部测试集中为0.757。内部验证集中 3 年和 5 年总生存期（OS）的 AUC 分别为 0.913 和 0.923，而外部测试集分别为 0.827 和 0.797。此外，SHAP 值分析显示，深度学习提取的特征对预后预测的贡献比影像组学特征更显著。Kaplan-Meier 生存分析证实，该模型能够有效地将患者分为高风险组和低风险组，且两组生存曲线之间存在统计学显著差异（P < 0.05）。

总体而言，本研究表明，整合了深度学习和影像组学特征的机器学习模型能够准确预测 VSCC 患者的生存结局，并在外部验证中保持稳健的性能。

责任编辑：肿瘤资讯-lcm
排版编辑：肿瘤资讯-lcm