基于深度学习的口咽癌患者生存分析研究.pdfVIP

摘要

近年来，口咽癌的发病率持续上升，患者的生存结局高度依赖于早期准确的

预后评估。然而，传统的生存分析模型主要使用临床变量进行预后因素的分析，

缺乏足够的特异性，不能说明患者特征、肿瘤生物学及治疗方式之间的复杂相互

作用。为了解决上述问题，越来越多的研究使用放射组学和深度学习技术来提高

预后分析的准确性，为患者生存分析提供个性化的治疗方案和精确的评估。本研

究旨在开发并评估一个基于深度学习的预测模型，结合临床和影像数据对口咽癌

患者的生存结局及复发风险进行预测，从而为临床医生提供更精准的决策支持，

推动个性化治疗的发展。本文的主要研究内容包括以下两部分：

（1）为提高口咽癌患者生存风险预测的准确性和可靠性，本文提出了一种

分割辅助生存预测模型，该模型利用治疗前CT图像中肿瘤区域和非肿瘤区域的

特征，结合临床变量，预测局部口咽癌患者的生存风险，并对患者进行分层。模

型使用完整的CT图像作为输入，使模型能够捕捉全局信息，而分割辅助设计则

使网络能够专注于肿瘤区域，从而可以整合治疗前CT图像中肿瘤区域和非肿瘤

区域的特征。在生存风险预测任务中，模型的一致性指数（C-index）值达到了

0.76，1年的AUC为0.95（95%CI:0.89,0.99），3年的AUC为0.86（95%CI:0.75,

0.96），5年的AUC为0.75（95%CI:0.56,0.94），显著优于现有对比模型。研究

结果表明，该模型能够为口咽癌患者提供更精准的预后评估，从而支持个性化治

疗方案的制定，进一步改善患者的生存结局。

（2）生存分析提供了口咽癌患者的总体预后情况，为了进一步细化了治疗

后的风险评估，本文提出了一种基于多模态融合的复发预测模型，改善患者的长

期预后。该模型在整合临床数据、影像组学特征和深度学习特征的基础上，引入

位置嵌入和注意力机制实现多模态特征的高效融合，从而捕捉不同数据源之间的

潜在关联，全面反映口咽癌复发的复杂性与多因素性。该模型的分类准确率为

80.12%，AUC为70.28%，召回率为63.73%，结果表明本文提出的模型性能优于

当前主流方法，验证了多模态融合方法在口咽癌复发风险预测中的应用潜力。

关键词：深度学习生存分析多模态融合口咽癌

Abstract

Inrecentyears,theincidenceoforopharyngealcancerhascontinued

torise,andthesurvivaloutcomeofpatientsishighlydependentonearly

andaccurateprognosticassessment.However,thetraditionalsurvival

analysismodelmainlyusesclinicalvariablesfortheanalysisof

prognosticfactors.Lackofsufficientspecificitytoaccountforthe

complexinterplaybetweenpatientcharacteristics,tumorbiology,and

treatmentmodalities.Inordertosolvetheaboveproblems,moreand

morestudiesuseradiomicsanddeeplearningtechniquestoimprovethe

accuracyofprognosticanalysisandprovidepersonalizedtreatmentplans

andaccurateassessmentsforpatientsurvivalanalysis.Thepurposeofthis

studywastodevelopandevaluateapredictionmodelbasedondeep

learning,whichcombinesclinicalandimagingdatatopredictthesurvival

outcomeandrecurrenceriskoforopharyngealcancerpatients,soasto

providecl