基于深度学习的黑色素瘤前哨淋巴结转移风险预测的皮肤镜-超声多模态模型研究综述.docVIP

基于深度学习的黑色素瘤前哨淋巴结转移风险预测的皮肤镜-超声多模态模型研究综述

黑色素瘤作为起源于黑素细胞的高度恶性肿瘤，其早期转移特性是导致患者预后不良的核心因素。前哨淋巴结作为黑色素瘤细胞转移的首站淋巴结，其状态直接决定了临床分期、手术方案选择及辅助治疗策略，因此术前无创、精准的前哨淋巴结转移风险预测成为黑色素瘤诊疗领域的关键研究方向。传统单模态影像评估依赖医师主观经验，对微转移病灶识别灵敏度不足，而深度学习技术的兴起为多模态影像数据的深度融合与特征挖掘提供了技术支撑，皮肤镜-超声多模态模型凭借其对原发灶微观形态与淋巴结结构功能的互补性成像优势，成为当前风险预测模型研发的热点方向。

一、黑色素瘤前哨淋巴结转移的临床评估困境与多模态建模的技术逻辑

目前临床中前哨淋巴结状态的金标准诊断依赖前哨淋巴结活检术，但该有创操作存在约10%的假阴性率，且可能伴随淋巴水肿、感染、神经损伤等并发症，同时约70%~80%接受活检的患者最终病理结果为阴性，造成了医疗资源的不必要消耗。术前无创评估方法中，皮肤镜作为观察黑素细胞病变表面结构的常规工具，可捕捉到原发肿瘤的不对称性、色素网络不规则、蓝白幕、点状血管等与侵袭性相关的特征，但无法直接反映深部淋巴结的状态；高频超声则能够清晰显示淋巴结的大小、形态、皮质厚度、淋巴门结构、血流分布等结构信息，对淋巴结形态学异常的识别具有较高特异度，但对微小转移灶的灵敏