亮点
AI驱动的管道在检测HPV阳性口咽癌的影像学外侵（iENE）方面表现出高准确性，AUC为0.81。
与传统放射科医生评估相比，AI预测的iENE与总生存期（OS）、无复发生存期（RFS）和远处控制（DC）的关系更为密切。
多变量分析显示，AI-iENE仍然是一个独立的预后因素，特别是在远处控制方面的危险比高达12.33。
该模型成功实现了淋巴结分割和分类的自动化，有助于在没有专业神经放射学专业知识的中心标准化分期。
背景：HPV阳性疾病中的iENE挑战
人类乳头瘤病毒（HPV）相关的口咽癌（OPC）是一种与烟草相关的头颈部癌症不同的临床实体，尽管经常表现为晚期淋巴结疾病，但通常预后较好。美国癌症联合委员会（AJCC）第八版分期系统反映了这一差异，下调了HPV阳性疾病的分期。然而，第八版中争议较大的遗漏之一是影像学外侵（ENE）。虽然ENE在HPV阴性疾病中是一个重要的分期组成部分，但其在HPV阳性OPC中的作用仍有争议。
最近的证据表明，影像学外侵（iENE）确实与HPV阳性患者的不良肿瘤学结果相关。然而，临床实施受到多个因素的阻碍：缺乏标准化的影像学标准、对专业神经放射学专业知识的严重依赖以及显著的读者间变异性。迫切需要客观、可重复且自动化的工具来识别iENE并优化这些患者的风险分层。
研究设计和方法
这项单中心队列研究在加拿大蒙特利尔的一家三级肿瘤中心进行，评估了2009年1月至2020年1月期间接受初始（化）放疗治疗的HPV阳性cN+ OPC成年患者。研究人员开发了一个端到端的人工智能（AI）管道，以解决两个主要任务：淋巴结分割和iENE分类。
对于分割任务，团队使用了nnU-Net模型，这是一种自配置的深度学习框架，训练数据包括治疗前计划CT扫描和专家勾画的淋巴结大体肿瘤体积（GTV）。对于分类任务，研究比较了影像组学特征提取与深度学习特征提取，以识别iENE的存在。AI的性能与两位专家神经放射科医生的评估进行了基准测试。主要结局指标包括分类准确性（AUC）以及AI预测的iENE与总生存期（OS）、无复发生存期（RFS）、远处控制（DC）和局部区域控制（LRC）之间的关联。
关键发现：AI的优越预后价值
研究纳入了397名患者，平均年龄为62.3岁。基于影像组学的AI管道分类达到了0.81的AUC，表明在识别iENE方面表现稳健。在评估预后影响时，结果非常显著。被AI模型识别为有iENE的患者在多个指标上显示出明显较差的结果：
3年生存结果
AI预测有iENE的患者3年OS为83.8%，而无iENE的患者为96.8%。RFS分别为80.7%和93.7%，DC分别为84.3%和97.1%。有趣的是，局部区域控制（LRC）在两组之间相似，这表明iENE在这个人群中的主要影响在于系统性而非局部复发。
比较性能：AI vs. 放射科医生
在预后能力方面，AI模型始终优于放射科医生评估的iENE。AI-iENE的C指数显著高于放射科医生评估的OS（0.64 vs 0.55）、RFS（0.67 vs 0.60）和DC（0.79 vs 0.68）。这表明AI能够捕捉到肿瘤侵袭性的细微影像学特征，这些特征可能无法通过肉眼察觉。
多变量分析
调整年龄、肿瘤（T）类别、淋巴结（N）类别和淋巴结绝对数量后，AI预测的iENE仍然是不良预后的独立预测因子。调整后的危险比（aHR）在OS（2.82）、RFS（4.20）方面具有显著性，尤其是远处控制方面，显示出12.33的aHR（95% CI，4.15-36.67）。这表明，由AI检测到的iENE是HPV阳性OPC远处转移潜力的最强指标之一。
专家评论和临床意义
Dayan等人的研究结果代表了头颈部癌症精准肿瘤学的重要进展。AI模型不仅能够匹配而且超过专家神经放射科医生的预后准确性，突显了影像组学在标准护理影像中揭示“隐藏”表型的潜力。通过自动分割淋巴结，该管道还消除了常规影像组学分析在临床实践中最耗时的障碍之一。
从临床角度来看，与远处控制的强关联尤为重要。随着低风险HPV阳性患者治疗降级的趋势，识别出具有iENE的患者亚群——这些患者有较高的远处失败风险——至关重要。这些患者可能不适合降级治疗，反而可能受益于强化的全身治疗或更严格的监测方案。
然而，仍有一些考虑事项。作为单中心研究，nnU-Net模型和影像组学特征在不同CT扫描仪和成像协议中的通用性（外部验证）在广泛采用之前是必需的。此外，深度学习特征的“黑箱”性质需要进一步研究，以确保这些成像标记真正代表外侵而非其他成像伪影或不相关的淋巴结特征。
结论
本研究表明，AI驱动的管道可以成功实现HPV相关口咽癌iENE的自动化检测，提供比传统放射学审查更可靠的预后工具。AI预测的iENE与显著较差的生存和远处控制独立相关，表明该技术在未来的风险分层和个性化治疗计划中可能发挥重要作用。未来的工作应集中在多机构验证和将这些AI工具整合到临床工作流程中，以协助肿瘤团队，尤其是在专业头颈部放射学专业知识有限的中心。
参考文献
1. Dayan GS, Hénique G, Bahig H, 等. 用于HPV阳性口咽癌影像学外侵检测和预后预测的人工智能模型. JAMA Otolaryngol Head Neck Surg. 2026;152(1):7-17.
2. Amin MB, 等. AJCC癌症分期手册. 第8版. 伊利诺伊州芝加哥：美国外科医师学会；2017.
3. Huang SH, 等. HPV相关口咽癌AJCC第8版分期的优化. J Clin Oncol. 2018;36(9):836-845.
4. Aerts HJWL, 等. 使用定量影像组学方法解码肿瘤表型. Nat Commun. 2014;5:4006.