亮点
- 开发了一种基于人工智能的影像管道，用于自动分割淋巴结并分类治疗前CT扫描中的口咽癌（OPC）结外扩展（iENE）。
- 与放射科专家的评估相比，该人工智能模型在检测iENE方面表现出高准确性（AUC 0.81），解决了主观影像解释的局限性。
- 人工智能预测的iENE与较差的整体生存率、无复发生存率和远处控制率独立相关，其预后区分能力优于放射科专家的评估。
- 这种方法为HPV阳性OPC的风险分层提供了一个可重复且可扩展的工具，突显了人工智能在增强个性化治疗计划方面的潜力。
研究背景
与人乳头瘤病毒（HPV）感染相关的口咽癌（OPC）是一种具有独特临床和生物学特征的实体，与HPV阴性的病例相比，通常预后较好。尽管如此，结外扩展（ENE）——癌症超出淋巴结囊的情况——是头颈部癌症中公认的不良预后因素。特别是在HPV阳性的OPC中，治疗前扫描中基于影像的结外扩展（iENE）检测与较差的临床结果有关。然而，iENE目前尚未纳入美国癌症联合委员会（AJCC）第八版HPV相关OPC分期系统，部分原因是缺乏标准化的影像标准、依赖放射学专业知识以及观察者之间的差异。为了改善预后和风险分层，需要更客观和可重复的方法来检测iENE。
研究设计
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。研究对象包括2009年1月至2020年1月期间接受初始（化）放疗的成年HPV阳性临床淋巴结阳性（cN+）口咽癌患者。随访至2024年1月。获取治疗前计划的计算机断层扫描（CT）图像，并由放射肿瘤学专家提供淋巴结大体肿瘤体积分割作为参考标准。
对于淋巴结分割，研究开发了一个nnU-Net深度学习模型，这是一个经过优化的医学影像分割卷积神经网络框架。为了分类iENE，该管道比较了影像组学特征提取（反映形状、纹理和强度的定量影像特征）与深度学习方法，以确定预测结外扩展的最佳方法。
主要结局指标包括人工智能预测iENE的分类准确性与共识放射科专家评估的比较，通过受试者工作特征曲线下面积（AUC）量化。随后，分析了人工智能预测iENE与肿瘤学结果之间的关联，重点关注整体生存率（OS）、无复发生存率（RFS）、远处控制率（DC）和局部区域控制率（LRC）。
关键发现
在397名患者（平均年龄62.3岁；女性80名，男性317名）中，利用影像组学特征的基于人工智能的模型在iENE分类中达到了0.81的AUC，显示出良好的区分能力。重要的是，人工智能预测iENE的患者3年结果显著较差：OS为83.8%，而人工智能阴性患者的OS为96.8%；RFS为80.7% vs 93.7%；DC为84.3% vs 97.1%。局部区域控制率未显示显著差异。
人工智能模型在预后区分方面优于放射科专家的评估，OS的和谐指数为0.64 vs 0.55，RFS为0.67 vs 0.60，DC为0.79 vs 0.68。多变量回归调整已知混杂因素（年龄、肿瘤类别、淋巴结类别和受累淋巴结数量）后，证实人工智能预测iENE仍然是较差生存结果的独立预测因子：调整后的危险比（aHR）分别为OS的2.82，RFS的4.20和DC的12.33。
这些结果表明，人工智能算法不仅能够识别与ENE存在相关的影像特征，还能够将这些发现转化为有意义的临床结果预测。
专家评论
这项研究开创性地将人工智能整合到HPV相关OPC的精细影像评估中。通过自动化淋巴结分割和特征提取，该方法减少了读片者之间的差异，这是之前在ENE影像解释中遇到的主要限制。人工智能预测iENE的高预后价值表明，它可能成为进一步细化风险分层和调整治疗强度的关键生物标志物。
然而，这项研究受到单一机构设计的限制，这可能影响结果的普遍性。不同中心CT采集协议的差异和人口统计学的异质性强调了外部验证研究的必要性。此外，虽然在这项研究中影像组学分析在iENE分类方面优于深度学习，但结合这些方法或纳入多模态影像可能会提高诊断性能。
目前的指南尚未将基于影像的ENE纳入HPV阳性OPC的分期或治疗决策算法中。如果得到外部验证，基于人工智能的iENE检测可能会影响临床工作流程，潜在地指导高风险患者的更积极治疗或辅助治疗考虑。这突显了人工智能工具在个性化肿瘤学中的不断演变作用。
未来的研究应解决前瞻性验证、与其他生物标志物（包括分子和组织病理学数据）的整合以及在放射学专业知识有限的中心的实际实施可行性等问题。
结论
这项研究表明，使用治疗前CT扫描的基于人工智能的管道可以可靠地检测HPV阳性口咽癌的影像学结外扩展，并独立预测较差的肿瘤学结果。该模型在预后准确性方面超过了放射科专家的评估，为重要的临床挑战提供了可扩展的解决方案。采用此类人工智能工具可以细化患者的风险谱型并影响个体化的治疗策略。然而，在广泛临床应用之前，必须在多样化的临床环境中进行外部验证和评估。
资金来源和ClinicalTrials.gov
原始研究在提供的内容中未具体说明资金来源或临床试验注册详情。参考原始出版物可能可以澄清这些方面。
参考文献
Dayan GS, Hénique G, Bahig H, Nelson K, Brodeur C, Christopoulos A, Filion E, Nguyen-Tan PF, O’Sullivan B, Ayad T, Bissada E, Tabet P, Guertin L, Desilets A, Kadoury S, Letourneau-Guillon L. 基于影像的人工智能模型在检测人类乳头瘤病毒阳性口咽癌的结外扩展和结果预测中的应用. JAMA Otolaryngol Head Neck Surg. 2025 Sep 30:e253225. doi: 10.1001/jamaoto.2025.3225. Epub ahead of print. PMID: 41026592; PMCID: PMC12486138.