舌鳞癌隐匿性淋巴结转移预测：多模型融合的卓越效能

为评估舌鳞癌（TSCC）隐匿性淋巴结转移（LNM）预测模型，研究发现晚期融合模型效果最佳，助力诊疗。

　　本研究旨在评估和比较多种预测模型对舌鳞状细胞癌（Tongue Squamous Cell Carcinoma，TSCC）患者隐匿性淋巴结转移（Lymph Node Metastasis，LNM）的预测效果。在这项回顾性诊断实验中，研究人员从三个医疗中心招募了 268 名患者。依据患者所属医院的不同，将其分为训练集（107 人）、内部测试集（53 人）以及两个外部测试集（分别为 63 人和 45 人） 。研究人员利用患者的对比增强磁共振成像（Contrast-Enhanced Magnetic Resonance Imaging，CEMRI）构建了多种预测模型，包括二维深度学习（Two-Dimensional Deep Learning，2D DL）、传统放射组学（Conventional Radiomics，C-radiomics）和肿瘤内异质性放射组学（Intratumoral Heterogeneity Radiomics，ITH-radiomics）。同时，对临床数据进行单变量和多变量逻辑回归分析，并采用两种融合策略构建模型。结果显示，ITH-radiomics 模型比 C-radiomics 模型具有更优的判别能力。晚期融合模型在所有测试集中的曲线下面积（Area Under the Curve，AUC）最高，为 0.81 - 0.85。与之相比，早期融合、2D DL、C-radiomics 和 ITH-radiomics 模型在测试集中的 AUC 值分别介于 0.77 - 0.82、0.64 - 0.81、0.66 - 0.77 和 0.77 - 0.80 之间。此外，晚期融合模型在各测试集中的准确率（76 - 89%）和特异性（87 - 100%）也是最高的。综上所述，综合 2D DL、C-radiomics、ITH-radiomics 和临床数据的决策型晚期融合模型效果最佳。这种预测方法能够更精准地评估患者病情，有助于制定手术方案。