头颈部鳞状细胞癌（HNSCC）是全球第七大常见癌症。HNSCC主要危险因素包括烟草、酒精以及人乳头瘤病毒（HPV）感染，超过 60% 的新HNSCC病例属于局部晚期头颈部癌（LAHNSCC）。治疗决策受肿瘤位置、TNM 分期、患者年龄以及合并症等因素影响。标准的确定性治疗方案是大剂量顺铂同步放疗，对于不适合该方案的患者则采用放疗联合西妥昔单抗治疗。即便采用了最佳治疗方案，其复发率仍然较高。

第8版癌症分期手册细化了头颈部鳞状细胞癌（HNSCC）的预后分层，但仍不够理想。基因表达同样会影响头颈部鳞状细胞癌（HNSCC）的预后，但目前尚未有分子分类应用于临床实践。计算机断层扫描（CT）常用于头颈部鳞状细胞癌（HNSCC）的分期和监测，它能提供详细的横断面图像，以明确肿瘤位置、大小、淋巴结受累情况以及对邻近结构进行评估。但对计算机断层扫描（CT）图像进行目视解读存在挑战，尤其是在根治性治疗后区分早期炎症 / 纤维化改变与活动性病变方面。

影像组学通过对医学图像进行计算分析，提取详细、定量以及更高阶的亚视觉特征，借助先进算法辅助临床决策。在头颈部癌症方面，已经开发了多个影像组学模型，用于改善诊断、预后评估以及毒性预测。此外，也提出了一些影像基因组学模型用于预测分子亚型和突变状态。然而，由于缺乏外部验证、可重复性差以及研究人群在癌症分期和治疗方面的高度异质性，这些模型面临着重大局限，导致很难将这些研究成果转化应用到临床实践中，以至于目前没有一个模型得以成功应用。而且，目前也没有经过验证可用于临床的标准化、被普遍认可的影像组学变量组合。

最近，发表在European Radiology 上的一篇文章构建了一个基于CT的影像组学模型，将HNSCC临床-生物学数据整合到一个多维特征中，用于无进展生存期（PFS）预测，并利用SHAP值为决策过程提供直观的解释。

本项研究收集了 171 例接受放化疗的局部晚期头颈部癌（LAHNSCC）患者的临床数据以及基线计算机断层扫描（CT）图像。将数据集划分为训练集（80%）和测试集（20%），并对训练集进行 5 折交叉验证。研究人员从每个原发肿瘤中提取 108 个影像组学特征，分别应用生存分析和分类模型来预测无进展生存期（PFS）和 5 年疾病进展情况。使用逆删失概率加权和 C 指数来评估无进展生存期（PFS）模型的性能，使用受试者工作特征曲线下面积（AUC）、敏感度、特异度以及准确率来评估 5 年疾病进展模型的性能。通过 SHapley Additive exPlanations（SHAP）方法衡量特征重要性，并借助Kaplan - Meier曲线评估患者分层情况。

研究最终纳入的171例局部晚期头颈部癌（LAHNSCC）患者中，53%的患者在 5 年内出现疾病进展。随机生存森林模型对无进展生存期（PFS）的预测效果最佳，在测试集中受试者工作特征曲线下面积（AUC）为 0.64，C 指数为 0.66，凸显出 4 个影像组学特征以及肿瘤-淋巴结-转移第 8 版（TNM8）是重要的影响因素，并且该模型成功将患者分为低风险组和高风险组（对数秩检验 p < 0.005）。极限梯度提升模型对5年疾病进展情况的预测最为有效，纳入了12个影像组学特征和4个临床变量，在测试集中受试者工作特征曲线下面积（AUC）为 0.74，敏感度为 0.53，特异度为 0.81，准确率为0.66。

图 一些放射组学特征的箱线图分布显示5年进展和无进展患者之间存在统计学差异

本项研究表明，研究所提出的临床-影像组学综合模型在预测5年疾病进展方面较标准的TNM8和临床变量有所改进，不过仍需进一步验证。

原始出处：

Gema Bruixola,Delfina Dualde-Beltrán,Ana Jimenez-Pastor,et al.CT-based clinical-radiomics model to predict progression and drive clinical applicability in locally advanced head and neck cancer.DOI:10.1007/s00330-024-11301-6