基于影像组学结合机器学习算法术前预测口腔鳞状细胞癌神经侵犯的应用研究

Application of radiomics combined with machine learning algorithms for preoperative prediction of perineural invasion in oral squamous cell carcinoma

摘要

目的 探索基于增强计算机断层扫描（CT）影像组学结合机器学习算法在术前预测口腔鳞状细胞癌（OSCC）神经侵犯中的价值，为辅助临床制定治疗决策提供依据。 方法 本研究已通过上海交通大学医学院附属第九人民医院伦理审查委员会批准。共纳入250例经术后病理确诊的OSCC患者，其中神经侵犯阳性组128例与神经侵犯阴性组122例。数据集按照7∶1.5∶1.5的比例随机划分为训练集（n=175）、验证集（n=38）和独立测试集（n=37）。对术前图像进行感兴趣区勾画及影像组学特征提取，经最小绝对收缩和选择算子回归等方法降维筛选后，构建支持向量机、随机森林、轻量级梯度提升机（LightGBM）等多种机器学习模型及Stacking集成模型。采用受试者工作特征曲线下面积（AUC）、灵敏度、校准曲线及决策曲线分析（DCA）等评估模型性能，并采用Shapley加性解释（SHAP）及分组置换重要性分析解释模型决策。 结果 在纳入机器学习分析的250例样本中，相较于临床模型诊断效能（AUC 0.549~0.711），基于影像组学的LightGBM模型在独立测试集表现最佳，AUC为0.781，优于支持向量机（AUC = 0.730）和随机森林（AUC = 0.691）等模型。该模型校准度良好（Brier分数0.198），且DCA显示在宽阈值范围内具有较高的临床净获益。配对DeLong检验显示，融合模型相较于对应影像组学模型的AUC差异均无统计学意义。SHAP分析和分组置换重要性分析进一步表明，模型的主要判别信息来源于影像组学纹理特征。 结论 基于增强CT的LightGBM影像组学模型在术前预测OSCC神经侵犯方面显示出较好的判别能力。在独立测试集中，该模型取得了最高的 AUC，有望作为一种无创辅助工具用于术前风险评估。鉴于独立测试集样本量较小，上述结果仍需在更大样本和外部队列中进一步验证。

Abstract

Objective To explore the value of contrast-enhanced computed tomography (CT) radiomics combined with machine learning algorithms in the preoperative prediction of perineural invasion (PNI) in oral squamous cell carcinoma (OSCC), aiming to provide evidence for assisting clinical treatment decision-making. Methods​ This study was approved by the Ethics Committee of the Ninth People's Hospital, Shanghai Jiao Tong University School of Medicine. A total of 250 OSCC patients confirmed by postoperative pathology were included, comprising 128 PNI-positive and 122 PNI-negative cases. The dataset was randomly divided into training (n=175), validation (n=38), and independent testing (n=37) sets in a ratio of 7:1.5:1.5. Regions of interest were delineated on preoperative images, and radiomic features were extracted. After dimensionality reduction and feature selection using methods like Least Absolute Shrinkage and Selection Operator (LASSO) regression, multiple machine learning models, including support vector machine (SVM), random forest, Light gradient boosting machine (LightGBM), and a Stacking ensemble model, were constructed. Model performance was evaluated using metrics such as the area under the receiver operating characteristic curve (AUC), sensitivity, calibration curves, and decision curve analysis (DCA). Model interpretability was analyzed using Shapley additive explanations (SHAP) and grouped permutation feature importance analysis. Results ​ Among the 250 samples analyzed, the LightGBM model based on radiomics demonstrated the best performance on the independent test set, with an AUC of 0.781, outperforming models like SVM (AUC = 0.730) and Random Forest (AUC = 0.691), as well as clinical models (AUCs ranging 0.549-0.711). The LightGBM model showed good calibration (Brier score 0.198), and DCA indicated high clinical net benefit over a wide threshold probability range. Paired DeLong tests revealed no statistically significant differences in AUC between the ensemble (Stacking) model and the corresponding best-performing radiomics-based model. SHAP analysis and grouped permutation feature importance analysis further indicated that the primary discriminative information for the model came from radiomic texture features. Conclusion ​ The LightGBM model based on contrast-enhanced CT radiomics demonstrated good discriminative ability for preoperative prediction of PNI in OSCC. In the independent test set, it achieved the highest AUC. This model holds promise as a non-invasive auxiliary tool for preoperative risk assessment. Given the limited sample size of the independent test set, these results require further validation in larger cohorts and external datasets.

Graphical abstract

关键词

口腔鳞状细胞癌 / 神经侵犯 / 增强CT / 影像组学 / 机器学习 / LightGBM / 术前预测 / 校准曲线 / 决策曲线分析

Key words

oral squamous cell carcinoma / perineural invasion / contrast-enhanced computed tomography / radiomics / machine learning / LightGBM / preoperative prediction / calibration curve / decision curve analysis

口腔恶性肿瘤是全球第16位最常见的恶性肿瘤，2022年全球约有39万例新发病例，并导致超过18.8万例癌症相关死亡^［1］。超90%的口腔恶性肿瘤为口腔鳞状细胞癌（oral squamous cell carcinoma，OSCC），五年生存率约 60%^［2］。神经侵犯（perineural invasion，PNI）是OSCC的重要不良病理特征，与不良预后及治疗决策密切相关^［3-4］，根据美国国立综合癌症网络（National Comprehensive Cancer Network，NCCN）指南，PNI属于术后高危病理因素之一，常提示需要辅助放疗^［5-6］，同时多项研究指出，对于有PNI的患者，在原发灶切除后进行选择性颈淋巴结清扫术可以改善预后^［7-9］。目前，组织病理学检查仍是诊断PNI的金标准，通常结合HE染色，必要时辅以S100等免疫组化标记，但该方法具有侵入性和滞后性，难以用于术前风险评估。近年来，影像组学（radiomics）和机器学习（machine learning， ML）为肿瘤术前评估提供了新的量化手段。影像组学可从医学图像中提取高维特征，用于OSCC的分子表征、分级和预后预测^［10］。鉴于CT在临床中的广泛可及性^［11］，本研究基于增强CT影像组学特征，构建并比较多种机器学习模型，以评估其术前预测OSCC神经侵犯（PNI）的价值；同时结合 Shapley 加性解释（Shapley additive explanations，SHAP） 分析解释模型决策依据，以提高结果的可解释性，为辅助临床制定治疗决策提供依据。

1 资料和方法

1.1 伦理审核与报告规范

本研究为回顾性研究，严格遵循《赫尔辛基宣言》伦理原则，并获得上海交通大学医学院附属第九人民医院伦理审查委员会批准（批准号：SH9H-2024-T487-1）。所有患者数据均匿名处理，并豁免知情同意要求。研究报告遵循流行病学观察性研究报告加强指南（Strengthening the Reporting of Observational Studies in Epidemiology，STROBE），以确保透明性和可重复性。

1.2 研究对象及流程

数据来自上海交通大学医学院附属第九人民医院临床病例库，均为手术术后病理确诊的OSCC患者，并由口腔病理科根据标准定义判断有无PNI。

纳入标准：①具有手术前1个月内完成的增强CT；②病理结果明确记录PNI状态；③具有完整的临床资料（年龄、性别、TN分期、最大肿瘤直径等）。

排除标准：①CT影像存在严重运动伪影或金属伪影；②多次手术、放疗或化疗导致肿瘤界面不清；③病理或影像资料缺失。

最终共收集250例患者，PNI阴性组122例，PNI阳性组128例，对纳入的8项临床变量包括年龄、性别、T分期、N分期、最大肿瘤直径、最大肿瘤面积、疼痛及麻木症状进行临床特征分析。研究流程见图1。

1.3 数据集划分与标注

按照PNI状态分层随机抽样，将数据集按7∶1.5∶1.5划分为训练集、验证集和独立测试集（175/38/37）^［12］，以尽可能保持各子集中PNI阳性与PNI阴性病例分布与总体数据一致。独立测试集在建模过程中保持封存，不参与特征筛选、参数优化及Stacking构建，仅用于最终一次性性能评估。所有图像以DICOM格式存储，并使用3D Slicer软件（版本5.0.3）进行处理。如图2 所示，由2名具有10年以上经验的放射科医师独立完成感兴趣区（region of interest，ROI）勾画，随机抽取30例样本勾画，计算组内相关系数（intraclass correlation coefficient，ICC），仅保留 ICC>0.75的特征进入后续的统计分析与建模。

1.4 设备、扫描协议与标准化预处理

使用Siemens SOMATOM系列设备，管电压120 kV，管电流200~300 mA，切片厚度0.625 mm，矩阵分辨率512×512，视野（field of view，FOV）240 mm×240 mm。静脉对比剂为Iohexol，剂量为80 mL，注射速率3 mL/s，采用双相增强协议（动脉相延迟30 s，静脉相延迟60 s）。图像预处理包括：所有CT影像统一重采样到1 mm等体素，按照窗宽350 HU，窗位40 HU进行灰度裁剪，然后使用min-max缩放将HU值缩放到0~1范围。预处理使用Python 3.10的SimpleITK库实现。

1.5 影像组学特征提取

影像组学特征提取基于PyRadiomics开源包（版本3.0.1）^［13］。特征提取过程严格遵循影像生物标志物标准化倡议（image biomarker standardization initiative，IBSI）的最新指南^［14］。从ROI中提取形状特征（Shape）、一阶统计特征（First-order）、以及灰度共生矩阵（gray-level co-occurrence matrix，GLCM）等高阶纹理特征。并结合小波变换获得多尺度信息，最终共提取了1 130个影像组学特征。

1.6 特征筛选与降维

为减少高维特征带来的过拟合风险，采用两步法进行筛选。首先，在训练集中对特征进行Z-score标准化，并根据分布特征采用t检验、Welch t检验或Mann-Whitney U检验进行初筛，同时使用Benjamini-Hochberg方法进行假发现率（false discovery rate，FDR）校正，保留P<0.05的候选特征。随后，采用5折交叉验证的最小绝对收缩与选择算子（least absolute shrinkage and selection operator，LASSO）进一步降维，最终筛选出13个影像组学特征和4个临床特征进入建模。

1.7 机器学习模型构建与优化

基于筛选后的特征，采用Python的Scikit-learn库构建多种机器学习分类器，包括逻辑回归（logistic regression，LR）、支持向量机（support vector machine，SVM）、随机森林（random forest，RF）、极端随机树（ExtraTrees）、随机梯度下降分类器（stochastic gradient descent classifier，SGD）、K最近邻（k-nearest neighbors，KNN）、XGBoost和轻量级梯度提升机（LightGBM）。

模型开发严格限制在训练集内进行。训练集用于缺失值填补、标准化、特征筛选、模型拟合及超参数优化，验证集仅用于候选模型间的性能比较与最优模型选择，独立测试集在全部开发流程中保持封存，仅用于最终一次性性能评估。具体而言，构建包含SimpleImputer（中位数填补）和StandardScaler的数据处理流程，并采用BayesSearchCV在训练集中进行5折分层交叉验证，以AUC为优化目标搜索最佳超参数组合。为降低小样本条件下的过拟合风险，对模型复杂度相关参数设置约束范围，并对类别不平衡进行相应处理。最终结合验证集表现确定一级最优模型进入后续比较与集成分析。

1.8 多模态融合模型策略

为探究多模态模型性能，本研究采用前融合和后融合两种策略。前融合为将筛选后的影像组学特征与临床特征直接拼接后输入同一个一级分类器；后融合采用二级Stacking框架，在临床、影像组学和融合特征3种模态下分别训练一级模型，并以各一级模型输出的阳性预测概率构建元特征矩阵，再以LR、RF和SVM作为候选元学习器进行二级建模。一级模型和元学习器的开发流程与1.7节一致，均严格限制在训练集内完成；验证集仅用于候选元学习器比较，独立测试集仅用于最终评估。

1.9 模型可解释性分析

采用SHAP对一级、二级最优模型进行解释，树模型使用TreeExplainer，核模型使用KernelExplainer。基于验证集计算SHAP值，并通过摘要图和依赖图展示特征贡献方向及重要性排序；此外，从独立测试集中各选取1例PNI阴性和1例PNI阳性病例进行单病例SHAP分析，以展示模型在个体层面的判别依据。

1.10 特征相关性及重要性分析

为探究前融合模型未优于单纯影像组学模型的原因，本研究对进入前融合模型的特征计算Spearman相关系数并绘制热图，将|ρ|≥0.80定义为高相关特征对；同时，对最佳融合一级模型进行SHAP分析，并在特征组层面实施分组置换重要性分析^［15］，分别整体置换临床特征组和影像组学特征组，以模型ROC曲线下面积（area under the ROC curve，AUC）下降幅度及其95%置信区间评估两类特征的相对贡献。

1.11 统计学分析

统计分析使用Python 3.10的Scikit-learn和SciPy库。基线特征比较根据变量类型采用t检验、Welch t检验、Mann-Whitney U检验、卡方检验或Fisher确切概率法。连续变量以均数±标准差或中位数［四分位距］，分类变量以n（%）表示。对于连续变量，符合正态分布且方差齐时采用独立样本 t 检验；方差不齐时采用 Welch t 检验；非正态分布时采用 Mann-Whitney U 检验。分类变量采用χ²检验或 Fisher 确切概率法。模型性能评估包括受试者操作特征（receiver operating characteristic，ROC）曲线、AUC、灵敏度、特异度、准确度和F1分数，95%置信区间通过Bootstrap重采样估计。模型间AUC差异采用配对DeLong检验比较，并使用Holm-Bonferroni法进行多重比较校正。校准通过校准曲线评估，临床获益通过决策曲线分析（decision curve analysis，DCA）评估。为评估模型选择偏倚及性能高估风险，本研究进一步在训练集内进行了bootstrap optimism correction分析。

2 结 果

2.1 患者临床特征分析

本研究共纳入250例OSCC患者，其中包括病理确诊PNI阳性组128例与PNI阴性组122例。数据集划分为训练集（n=175）、验证集（n=38）和独立测试集（n=37）。

在总体人群中，PNI阳性组与PNI阴性组相比，在年龄、T分期、N分期及最大肿瘤直径、麻木症状等临床特征的差异均无统计学意义。相比之下，PNI阳性组男性比例更高，最大肿瘤面积更大，且疼痛症状占比更高（表1）。

2.2 一级机器学习模型性能比较

2.2.1 不同模态一级模型的性能比较

临床、融合和影像组学3种模态下各一级机器学习模型在训练集、验证集和独立测试集中的表现如图3所示。整体来看，单纯基于临床特征构建的模型区分能力有限，而影像组学模态在多数分类器中表现更优。其中，影像组学LightGBM在训练集、验证集和独立测试集中的AUC分别为0.95、0.80和0.781，为全部一级模型中最高。前融合策略未带来稳定性能增益。影像组学模态下各一级模型在独立测试集上的详细预测指标见表2。

2.2.2 模型校准度与临床获益分析

为进一步评估最佳影像组学模型的可靠性，对LightGBM进行了详细性能分析。其校准曲线最接近理想对角线，且Brier分数最低（0.198），提示预测概率与真实PNI发生率一致性较好（图4a）。ROC曲线比较显示，该模型在独立测试集中取得最高AUC（图4b）。DCA进一步表明，在较宽阈值概率范围内，LightGBM模型的净获益整体高于其他模型及“全治”或“全不治”策略（图4c）。

2.2.3 一级模型可解释性与特征重要性分析

为进一步解释模型的判别依据及前融合模型未优于单纯影像组学模型的原因，对最佳影像组学模型、前融合模型及代表性病例进行可解释性分析。最佳影像学LightGBM的SHAP分析见图4d。进一步前融合模型分析显示，Spearman相关性热图中未见广泛的跨模态强相关聚类，但部分同源影像组学特征之间仍存在中高相关性，且T分期与最大肿瘤直径呈较强正相关（图5a）。

前融合模型的SHAP摘要图和分组置换重要性分析表明，其主要判别信息仍来自影像组学特征（图5b、图5c）。进一步单病例SHAP分析显示，PNI阴性和PNI阳性病例的预测结果与病理诊断一致，且均由多个高阶纹理特征共同驱动（图6）。

2.3 二级Stacking集成模型构建与评估

构建二级Stacking集成模型后，在临床、融合和影像组学3种模态下进行比较（图7a~7c）。结果显示，影像组学模型在验证集和独立测试集中均表现最佳，AUC分别为0.774和0.753。总体来看，二级Stacking后各模态间的相对排序与一级模型基本一致，影像组学仍是主要判别信息来源。然而，影像组学Stacking模型在独立测试集上的AUC仍低于最佳一级LightGBM模型（0.781），提示二级集成未带来稳定的额外性能增益。元特征SHAP分析显示，LightGBM的一级预测输出对二级元学习器贡献最高（图7d）。

2.4 DeLong检验与多重比较校正结果

在独立测试集中，对预设关键模型间的AUC差异进行了配对DeLong检验，并采用Holm-Bonferroni法进行多重比较校正（表3）。结果显示，尽管Radiomics-LightGBM及Radiomics-Stacking的AUC点估计均高于相应对照模型，但校正后差异均无统计学意义。总体来看，临床特征的加入未带来可检测到的显著AUC增益。

2.5 Bootstrap optimism correction分析

为进一步评估训练集内可能存在的性能高估，本研究补充进行了bootstrap optimism correction分析，结果见表4。一级代表模型中，Clinical-LightGBM和Fusion-LightGBM的平均乐观值相对较高，而Radiomics-LightGBM较低；部分Stacking模型虽显示较高的训练集内校正后AUC，但未在独立测试集中体现相应优势。

3 讨 论

3.1 神经侵犯术前评估的临床意义及临床特征模型的局限性

OSCC是口腔颌面部最常见的恶性肿瘤，神经侵犯（PNI）是其重要的不良病理特征，影响预后评估与辅助治疗决策。然而，目前PNI的诊断主要依赖术后组织病理学检查，因此具有明显滞后性。此外，常规的术前影像学检查主要依靠肉眼识别宏观结构改变，对于微观层面的PNI往往无能为力^［16］。常规术前影像学检查对OSCC中PNI的识别能力有限，这与其病理学特征有关：OSCC受累的神经纤维多为黏膜下层无名末梢分支^［17］。且PNI 与神经周围扩散（perineural spread，PNS）并不完全相同。后者常累及较大的神经干并出现较明确的影像学征象，而前者多局限于显微镜下的微小侵犯^［18-19］，因此，构建能够从常规术前影像中间接识别PNI风险的无创工具具有现实意义。既往影像组学和机器学习已被用于OSCC的骨侵犯、组织学风险因素、预后及淋巴结转移预测^［20-24］，但针对PNI的术前预测研究仍较少。

本研究显示，尽管性别、最大肿瘤面积和疼痛症状在单因素分析中存在差异，但纯临床模型在验证集和独立测试集中的AUC仅为0.549~0.711，提示单纯依赖临床指标难以满足精准预测需求。性别差异虽具有统计学意义，但既往大样本研究并未提示其为稳定的独立危险因素，因此本研究中的性别差异可能受样本波动影响。

另一方面，最大肿瘤面积虽在PNI阳性组中更大，但SHAP分析并未将“最大肿瘤面积”或“最大肿瘤直径”列为主要决策特征。既往研究亦提示，即使在早期OSCC中仍可见一定比例的PNI^［25-26］。说明单纯依赖肿瘤宏观体积难以识别隐匿性PNI。疼痛症状虽存在组间差异，但其SHAP贡献度较低，可能与疼痛受肿瘤溃疡、炎症或水肿等非特异因素影响有关。

3.2 影像组学模型的优势及融合模型未获增益的可能原因

与临床模型相比，基于增强CT的影像组学模型表现更优，其中LightGBM在独立测试集取得最高AUC，并显示出较好的校准表现和临床净获益，提示其具有一定的术前风险评估价值。该优势可能主要源于影像组学，尤其是纹理特征，对肿瘤异质性的量化能力^［27-28］。PNI发生时，肿瘤细胞侵袭神经周围结构并伴随局部基质重塑，这些微观变化往往不足以形成肉眼可见的形态学异常，但可能改变体素级灰度排列模式，从而被高通量纹理特征捕捉^［29］。

在算法层面，LightGBM通过叶子生长策略能够较快收敛并捕捉弱信号^［30-31］。既往研究也表明，其在中小样本医学影像任务中具有较好的鲁棒性和准确性^［32-33］。本研究中，Stacking模型的SHAP分析同样显示，LightGBM的一级预测输出对二级元学习器贡献最高，提示其在当前任务中具有较强的基础判别能力。

尽管如此，前融合模型和Stacking模型在独立测试集上均未显示出较影像组学单模型的明确优势，DeLong检验经Holm校正后差异亦均无统计学意义，提示影像组学模型仅在数值上表现更优。其原因可能在于，筛选后的影像组学特征已具有较高信息密度，不同一级模型又多基于同一特征集训练，模型间判别信息重叠较大，限制了Stacking的额外收益；同时，临床变量整体增益有限，在小样本条件下更复杂的融合或集成策略反而可能增加方差并削弱泛化稳定性。与此一致，前融合模型中贡献排名前7位的特征均为影像组学变量，分组置换重要性分析也显示置换影像组学特征组后AUC下降更明显。单病例SHAP分析进一步提示，无论PNI阴性还是PNI阳性病例，其预测均主要由多个高阶纹理特征共同驱动。上述结果提示，模型的主要判别信息仍来源于影像组学特征，而临床变量在当前数据中的贡献有限，其引入反而可能产生噪声累积效应^［34］，即低信噪比特征稀释高区分度影像标志物的贡献，并增加特征空间复杂度，从而干扰分类器决策边界，导致模型性能下降^［35］。

另一方面，最佳一级模型在训练集与独立测试集之间仍存在一定性能差距，提示在小样本和高维特征背景下仍可能存在一定程度的过拟合。这种差异更可能与数据分布波动及独立测试集样本量较小导致的性能估计不稳定有关。

3.3 关键影像组学特征的可能生物学意义

为了进一步解释影像组学模型的决策依据，本研究采用SHAP算法对单纯影像组学模型的关键特征进行了归因分析。如图4d所示，贡献度最高的核心特征主要保括wavelet-HHL_glcm_Correlation，分别代表不同空间轴向的两项偏度特征（wavelet-LHH_firstorder_Skewness 与 wavelet-LLH_ firstorder_Skewness），以及wavelet-LHL_gldm_DependenceVariance，提示OSCC神经侵犯（PNI）的影像学表型主要涉及病灶的空间连续性、内部异质性及基质微环境复杂性。

其中，GLCM Correlation是权重最高的特征，反映相邻体素灰度关系的线性依赖程度；wavelet-HHL处理则更利于捕捉局部边缘及纵向连续结构信息。已有研究提示，纹理共生性可表征跨尺度边缘连续性^［36］。因此，PNI阳性病灶在Z轴方向较高的结构相关性，可能对应沿神经轴向浸润的影像学表现。

Wavelet_firstorder_Skewness类特征反映灰度直方图分布的不对称性，其升高通常提示病灶内同时存在强化较高和较低区域，反映组织成分不均一。结合既往关于PNI相关血管生成、炎症和缺氧状态变化的研究^［37-38］，Skewness升高可能提示PNI阳性病灶具有更明显的血供、细胞密度及缺氧相关异质性。

Wavelet-LHL_gldm_DependenceVariance反映纹理依赖域大小的波动程度，数值升高通常提示病灶内同时存在较大均一区域与较碎片化区域，即微观结构更加复杂。PNI发生过程中，OSCC常伴随癌症相关成纤维细胞活化、细胞外基质重塑及侵袭模式改变^［39-40］。此外，既往研究也提示方差类纹理指标和多尺度复杂度变化可反映肿瘤微环境异质性^［41-42］。该特征可能对应PNI阳性病灶中肿瘤细胞巢与纤维间质交织增强及基质重塑加剧的组织学背景。

3.4 研究局限性与展望

本研究仍存在若干局限。首先，尽管总样本量为250例，但独立测试集仅37例，导致模型性能评估仍存在一定不稳定性。其次，本研究为单中心回顾性研究，病例来源相对集中，模型的泛化能力仍需在更大样本和外部队列中进一步验证。最后，本研究仅基于增强CT影像进行建模，尚未纳入MRI等其他影像模态，也未进一步结合病理学、免疫组化或分子标志物证据对关键特征的潜在生物学基础进行直接验证。

未来研究应进一步扩大样本量，增加独立测试集规模，并通过多中心、前瞻性及外部验证研究系统评估模型的稳定性和临床应用价值。同时，可探索深度学习及多模态融合策略，并结合病理学及分子标志物证据，对关键影像组学特征所反映的潜在生物学基础进行更深入验证。

综上，本研究建立了基于增强CT的LightGBM影像组学模型，用于术前预测OSCC神经侵犯（PNI）。该模型在独立测试集中获得最高的AUC点估计，并显示出较好的校准表现，提示其具有一定的预测价值。进一步结果显示，临床特征的加入未带来具有统计学意义上的性能增益，而影像组学高阶纹理特征可能提供了主要判别信息。尽管本研究仍受单中心回顾性设计和样本量限制，该模型仍有望作为OSCC术前无创风险评估的辅助工具。

参考文献

[1] Bray F, Laversanne M, Sung H, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2024, 74(3): 229-263. doi: 10.3322/caac.21834 .

[2] Kijowska J, Grzegorczyk J, Gliwa K, et al. Epidemiology, diagnostics, and therapy of oral cancer-update review[J]. Cancers (Basel), 2024, 16(18): 3156. doi: 10.3390/cancers16183156 .

[3] Quintana DMVO, Dedivitis RA, Kowalski LP. Prognostic impact of perineural invasion in oral cancer: a systematic review[J]. Acta Otorhinolaryngol Ital, 2022, 42(1): 17-25. doi: 10.14639/0392-100x-n1653 .

[4] Rutkowski K, Gola M, Godlewski J, et al. Understanding the role of nerves in head and neck cancers - a review[J]. Oncol Rev, 2025, 18: 1514004. doi: 10.3389/or.2024.1514004 .

[5] National Comprehensive Cancer Network. NCCN clinical practice guidelines in oncology: head and neck cancers[R/OL].(2025--11-08)[2026-03-24]. doi:10.6004/jnccn.2005.0019

[6] Holcomb AJ, Farrokhian N, Tolan C, et al. Adjuvant radiotherapy mitigates impact of perineural invasion on oncologic outcomes in early-stage oral cavity squamous cell carcinoma. A multi-institutional analysis of 557 patients[J]. Oral Oncol, 2023, 142: 106420. doi: 10.1016/j.oraloncology.2023.106420 .

[7] Shih H, Khanna M, Thomas J, et al. Depth of invasion threshold for recommending elective neck dissection in T1 or T2 oral squamous cell carcinoma[J]. J Oral Maxillofac Surg, 2025, 83(1): 102-112. doi: 10.1016/j.joms.2024.10.006 .

[8] Durrani Z. A study of prognostic significance of perineural invasion in oral squamous cell carcinoma[J]. Online J Dent Oral Health, 2021, 4(3). doi: 10.33552/OJDOH.2021.04.000588 .

[9] da Silva SD, Kowalski LP. Perineural invasion in oral cancer: challenges, controversies and clinical impact[J]. Chin Clin Oncol, 2019, 8(S1): S5. doi: 10.21037/cco.2018.11.04 .

[10] Mariotti F, Agostini A, Borgheresi A, et al. Insights into radiomics: a comprehensive review for beginners[J]. Clin Transl Oncol, 2025, 27(11): 4091-4102. doi: 10.1007/s12094-025-03939-5 .

[11] Huang CC, Effendi FF, Kosik RO, et al. Utilization of CT and MRI scanning in Taiwan, 2000–2017[J]. Insights Imaging, 2023, 14(1): 23. doi: 10.1186/s13244-023-01364-2 .

[12] Singh V, Pencina M, Einstein AJ, et al. Impact of train/test sample regimen on performance estimate stability of machine learning in cardiovascular imaging[J]. Sci Rep, 2021, 11(1): 14490. doi: 10.1038/s41598-021-93651-5 .

[13] van Griethuysen JJM, Fedorov A, Parmar C, et al. Computational radiomics system to decode the radiographic phenotype[J]. Cancer Res, 2017, 77(21): e104-e107. doi: 10.1158/0008-5472.CAN-17-0339 .

[14] Whybra P, Zwanenburg A, Andrearczyk V, et al. The image biomarker standardization initiative: standardized convolutional filters for reproducible radiomics and enhanced clinical insights[J]. Radiology, 2024, 310(2): e231319. doi: 10.1148/radiol.231319 .

[15] Au Q, Herbinger J, Stachl C, et al. Grouped feature importance and combined features effect plot[J]. Data Min Knowl Discov, 2022, 36(4): 1401-1450. doi: 10.1007/s10618-022-00840-5 .

[16] Tu W, Gottumukkala RV, Schieda N, et al. Perineural invasion and spread in common abdominopelvic diseases: imaging diagnosis and clinical significance[J]. Radiographics, 2023, 43(7): e220148. doi: 10.1148/rg.220148 .

[17] Cheng HW, Lin LH, Lin HP, et al. Perineural invasion unveiled: deciphering the prognostic impact of diameter and quantity subcategories in oral cancer[J]. J Otolaryngol Head Neck Surg, 2025, 54: 19160216251316219. doi: 10.1177/19160216251316219 .

[18] Medvedev O, Hedesiu M, Ciurea A, et al. Perineural spread in head and neck malignancies: imaging findings - an updated literature review[J]. Bosn J Basic Med Sci, 2022, 22(1): 22-38. doi: 10.17305/bjbms.2021.5897 .

[19] Bi J, Liu K, Luo Y, et al. Crosstalk of NPY and TGFβ orchestrates the signaling to facilitate perineural invasion of oral squamous cell carcinoma[J]. Br J Cancer, 2026, 134(3): 377-390. doi: 10.1038/s41416-025-03261-5 .

[20] Avanzo M, Soda P, Bertolini M, et al. Robust radiomics: a review of guidelines for radiomics in medical imaging[J]. Front Radiol, 2026, 5: 1701110. doi: 10.3389/fradi.2025.1701110 .

[21] Öztürk EMA, Ünsal G, Erişir F, et al. Prediction of bone invasion of oral squamous cell carcinoma using a magnetic resonance imaging-based machine learning model[J]. Eur Arch Otorhinolaryngol, 2024, 281(12): 6585-6597. doi: 10.1007/s00405-024-08862-z .

[22] Nikkuni Y, Nishiyama H, Hayashi T. Prediction of histological grade of oral squamous cell carcinoma using machine learning models applied to ¹⁸F-FDG-PET radiomics[J]. Biomedicines, 2024, 12(7): 1411. doi: 10.3390/biomedicines12071411 .

[23] Ling X, Alexander GS, Molitoris J, et al. Identification of CT-based non-invasive radiomic biomarkers for overall survival prediction in oral cavity squamous cell carcinoma[J]. Sci Rep, 2023, 13(1): 21774. doi: 10.1038/s41598-023-48048-x .

[24] Liu S, Zhang A, Xiong J, et al. The application of radiomics machine learning models based on multimodal MRI with different sequence combinations in predicting cervical lymph node metastasis in oral tongue squamous cell carcinoma patients[J]. Head Neck, 2024, 46(3): 513-527. doi: 10.1002/hed.27605 .

[25] Binmadi N, Alsharif M, Almazrooa S, et al. Perineural invasion is a significant prognostic factor in oral squamous cell carcinoma: a systematic review and meta-analysis[J]. Diagnostics (Basel), 2023, 13(21): 3339. doi: 10.3390/diagnostics13213339 .

[26] Mohamed S, Callanan D, Sheahan P, et al. Significance of location and extent of perineural invasion in early-stage oral cavity squamous cell carcinoma[J]. Histopathology, 2025, 86(6): 993-1000. doi: 10.1111/his.15406 .

[27] Feng Z, Yang P, Wu Y, et al. Radiomics-based tumor heterogeneity augments clinicopathological models for predicting recurrence in high-risk clear cell renal cell carcinoma after nephrectomy[J]. Abdom Radiol, 2026, 51(2): 878-888. doi: 10.1007/s00261-025-05108-2 .

[28] Eloyan A, Yue MS, Khachatryan D. Tumor heterogeneity estimation for radiomics in cancer[J]. Stat Med, 2020, 39(30): 4704-4723. doi: 10.1002/sim.8749 .

[29] Tortora M, Gemini L, Scaravilli A, et al. Radiomics applications in head and neck tumor imaging: a narrative review[J]. Cancers (Basel), 2023, 15(4): 1174. doi: 10.3390/cancers15041174 .

[30] Nemat Saberi A, Belahcen A, Sobra J, et al. LightGBM-based fault diagnosis of rotating machinery under changing working conditions using modified recursive feature elimination[J]. IEEE Access, 2022, 10: 81910-81925. doi: 10.1109/ACCESS. 2022.3195939 .

[31] Ke G, Meng Q, Finley T, et al. LightGBM: a highly efficient gradient boosting decision tree[C]//Advances in neural information processing systems. Red Hook: Curran Associates, Inc., 2017.

[32] Kanber BM, Smadi AA, Noaman NF, et al. LightGBM: a leading force in breast cancer diagnosis through machine learning and image processing[J]. IEEE Access, 2024, 12: 39811-39832. doi: 10.1109/ACCESS.2024.3375755 .

[33] Zhang WH, Tan Y, Huang Z, et al. Development and validation of AI models using LR and LightGBM for predicting distant metastasis in breast cancer: a dual-center study[J]. Front Oncol, 2024, 14: 1409273. doi: 10.3389/fonc.2024.1409273 .

[34] Tortora M, Cordelli E, Sicilia R, et al. RadioPathomics: multimodal learning in non-small cell lung cancer for adaptive radiotherapy[J]. IEEE Access, 2023, 11: 47563-47578. doi: 10.1109/ACCESS.2023.3275126 .

[35] Zhang Q, Wei Y, Han Z, et al. Multimodal fusion on low-quality data: a comprehensive survey[EB/OL]. (2024-04-29)[2025-03-24]. arXiv:2404.18947.

[36] Roy S, Maji P. Multispectral co-occurrence of wavelet coefficients for malignancy assessment of brain tumors[J]. PLoS One, 2021, 16(6): e0250964. doi: 10.1371/journal.pone.0250964 .

[37] Chen Z, Fang Y, Jiang W. Important cells and factors from tumor microenvironment participated in perineural invasion[J]. Cancers, 2023, 15(5): 1360. doi: 10.3390/cancers15051360 .

[38] Huang M, Law HKW, Tam SY. Use of radiomics in characterizing tumor hypoxia[J]. Int J Mol Sci, 2025, 26(14): 6679. doi: 10.3390/ijms26146679 .

[39] Sutera S, Furchì OA, Pentenero M. Exploring cancer-associated fibroblasts in OSCC and OPMDs: microenvironment insights. scoping review[J]. Oral Dis, 2025, 31(7): 1982-1990. doi: 10.1111/odi.15275 .

[40] Ding L, Fu Y, Zhu N, et al. OXTR^High stroma fibroblasts control the invasion pattern of oral squamous cell carcinoma via ERK5 signaling[J]. Nat Commun, 2022, 13(1): 5124. doi: 10.1038/s41467-022-32787-y .

[41] Alibabaei S, Rahmani M, Tahmasbi M, et al. Evaluating the gray level co-occurrence matrix-based texture features of magnetic resonance images for glioblastoma multiform patients' treatment response assessment[J]. J Med Signals Sens, 2023, 13(4): 261-271. doi: 10.4103/jmss.jmss_50_22 .

[42] Marin Z, Batchelder KA, Toner BC, et al. Mammographic evidence of microenvironment changes in tumorous breasts[J]. Med Phys, 2017, 44(4): 1324-1336. doi: 10.1002/mp.12120 .

基金资助

国家自然科学基金面上项目(82573170)