基于深度学习的甲状腺癌颈部淋巴结转移CT影像组学模型外部验证与泛化性研究综述.docVIP

基于深度学习的甲状腺癌颈部淋巴结转移CT影像组学模型外部验证与泛化性研究综述

一、CT影像组学模型构建的技术路径与核心特征工程

深度学习技术在甲状腺癌颈部淋巴结转移预测领域的渗透，首先体现在影像组学特征提取范式的革新。传统影像组学依赖手工标注的形态学、纹理、灰度统计特征，如淋巴结的短长径比、CT值标准差、灰度共生矩阵参数等，这类特征受放射科医生主观判读经验影响，组内相关系数通常波动于0.62-0.85区间，特征一致性不足直接限制模型跨中心迁移能力。目前主流深度学习模型采用端到端特征学习架构，其中卷积神经网络（CNN）的空间特征捕捉能力被广泛验证：基于ResNet-50主干网络的模型可自动提取淋巴结包膜侵犯、脂肪间隙浸润等高阶语义特征，在内部测试集中AUC可达0.917，显著高于传统逻辑回归模型的0.782。

特征工程的规范性是影响模型泛化性的首要环节。现有研究在影像预处理阶段存在显著异质性：部分中心采用1mm层厚的增强CT动脉期图像作为输入，另一部分则纳入静脉期、平扫多期相数据，不同扫描参数导致的图像强度分布差异易引发模型特征偏移。2023年一项多中心研究显示，未进行灰度标准化的模型在跨中心验证时AUC下降幅度可达0.21，而采用Z-score标准化、直方图匹配等预处理步骤后，AUC降幅可缩小至0.08。此外，感兴趣区（ROI）勾画方式的差异同样关键：手动勾画全淋巴结范围的模型相比