基于多模态融合的鼻咽癌复发风险预测

摘要

目的：整合临床、病理全切片图像（whole slide image,WSI）和磁共振成像（magnetic resonance imaging,MRI）数据，构建多模态机器学习模型，评估鼻咽癌患者术后复发风险。方法：回顾性收集168例鼻咽癌患者的临床资料、WSI及多序列MRI。通过影像组学及CTransPath+CLAM框架分别提取MRI特征和WSI肿瘤区域特征，并采用随机森林方法比较单模态与多模态模型性能。模型通过分层5折交叉验证进行训练与评估，以受试者工作特征曲线下面积（the area under the receiver operating characteristic curve,AUC）为主要评价指标，并结合决策曲线分析评估临床净获益。结果：融合临床、WSI与MRI的多模态模型预测效能最佳（AUC=0.794）。相较于单一临床预测因子模型（AUC=0.579），提升0.215(P=0.109)；相较于AJCC解剖分期模型（AUC=0.611），提升0.183(P=0.015)；而临床与分期联合模型（AUC=0.660）较多模态模型仍有显著差距（ΔAUC=0.134,P=0.015）。在单模态对比中，其性能亦优于MRI模型（AUC=0.769,P>0.05）及WSI模型（AUC=0.511,P<0.001）。决策曲线分析显示，多模态模型在大多数风险阈值范围内净获益最高。模型解析表明，其预测能力主要来源于反映肿瘤异质性的MRI纹理特征。结论：成功构建并验证多模态机器学习模型，通过融合临床、WSI与MRI信息，展现出鼻咽癌复发预测的临床应用潜力。

关键词

鼻咽癌 / 复发预测 / 多模态融合 / 机器学习 / 病理全切片图像 / 磁共振成像 / 临床决策支持 / 模型验证

基金资助

国家自然科学基金资助项目（62341601）