Pretreatment CT Identification of Extranodal Extension in Laryngeal and Hypopharyngeal Cancers Using Deep Learning.
研究背景
喉部和下咽部鳞状细胞癌（LHSCC）常见且淋巴结转移率高。淋巴结外侵犯（ENE）是重要预后因素，降低患者生存率。目前ENE诊断主要靠术后病理，术前影像诊断准确性和一致性低，开发自动化诊断工具很有必要。
方法速览
采用回顾性多中心数据集，含多家医院的LHSCC和口腔鳞状细胞癌患者。DeepENE模型基于2.5维多尺度特征融合网络架构，结合局部和全局淋巴结特征。训练用五折交叉验证，在外部测试集集成预测，并与五位专家对比，用AUC等指标评估。
主要发现
- 内部测试表现好：DeepENE在内部测试集五折交叉验证AUC达0.93，敏感性、特异性和准确率均为89%，诊断性能一致。
- 外部测试泛化强：在三个外部测试集总体AUC为0.91，显著优于专家平均AUC。
- 早期ENE检测优：在外部测试集2中，AUC为0.87，优于专家，识别细微特征优势明显。
- 淋巴结分类占优：在区分转移和良性、有无ENE的转移性淋巴结任务中，均显著优于专家。
- 口腔癌有泛化力：在口腔癌患者中，转移性淋巴结检测AUC为0.85，ENE分类AUC低于LHSCC但仍优于专家。
- 较现有模型更优：与DualNet相比，多数测试场景AUC值更高。
总结展望
本研究首次开发并验证DeepENE用于LHSCC患者ENE自动识别，其诊断性能优于专家，架构融合特征提升识别力。不过，还需更多外部数据集验证泛化能力，开展临床前瞻性评估，结合多模态数据提升性能。