基于深度学习的头颈部鳞癌MRI影像组学在淋巴结转移预测中的应用研究综述.docVIP

基于深度学习的头颈部鳞癌MRI影像组学在淋巴结转移预测中的应用研究综述

头颈部鳞癌（HeadandNeckSquamousCellCarcinoma,HNSCC）是全球范围内发病率排名第六的恶性肿瘤，每年新发病例超过80万，5年总体生存率仅为40%~50%，其中淋巴结转移是影响患者预后最关键的独立危险因素之一。临床数据显示，出现淋巴结转移的HNSCC患者5年生存率会降低50%，且复发风险提升2~3倍，因此术前精准判断淋巴结转移状态，是制定个体化手术方案、辅助放疗范围规划以及预后评估的核心依据。目前临床常规的淋巴结评估依赖影像学医师对MRI、CT等影像的肉眼判读，主要基于淋巴结短径、形态、边缘强化等特征，但这类特征诊断的灵敏度仅为60%~70%，对于小于1cm的微转移淋巴结、反应性增生淋巴结的鉴别存在明显局限性，漏诊率和误诊率分别可达25%和15%，无法满足精准诊疗的需求。

影像组学作为连接医学影像与精准医学的桥梁，通过高通量提取影像中肉眼无法识别的定量特征，能够反映肿瘤的异质性、微观结构以及生物学行为特征，在肿瘤分期、疗效预测、预后评估等领域展现出巨大应用潜力。传统影像组学流程依赖手动勾画肿瘤感兴趣区（ROI）、人工筛选特征，存在可重复性差、特征提取效率低、难以捕捉深层语义信息等缺陷，限制了其在临床中的大规模推广。而深度学习技术的兴起为影像组学的发展提供了新的解决方案，