基于Transformer的肿瘤与体成分CT影像融合模型预测胃癌术后复发

《npj Digital Medicine》：A transformer-based prognostic signature integrating tumor and body composition CT images predicts postoperative recurrence in gastric cancer

本研究针对胃癌(GC)术后复发预测中传统模型忽视身体成分的问题，开发了一种整合骨骼肌(SM)、脂肪组织(AT)、肿瘤CT影像和临床特征的多模态Transformer深度学习模型(SMAT-TC)。该模型在包含1862例患者的队列中验证，预测无复发生存(RFS)的C-index在训练、内部和外部验证队列中分别达0.966、0.890和0.855，显著优于单一模型。研究表明，整合身体成分特征可显著提升预后分层能力，为个体化治疗决策提供新工具。

　　

胃癌是全球范围内常见的恶性肿瘤，也是癌症相关死亡的主要原因之一。尽管治疗手段不断进步，但仍有超过半数的患者在根治性切除术后出现复发。目前，术前的预后评估主要依赖于TNM分期系统，然而，处于相同分期的患者，其生存结局仍存在显著差异。这表明，迫切需要寻找更强大的生物标志物，以提供更精准的预后信息，从而优化治疗策略。营养不良是胃癌患者中普遍存在且严重的问题，与治疗反应差和不良预后密切相关。身体成分分析，特别是骨骼肌和脂肪组织，作为营养状况的指标，在癌症预后评估中日益受到重视。计算机断层扫描是评估身体成分的金标准，同时也是胃癌诊断和分期的常规检查。因此，术前CT图像不仅包含了反映肿瘤生物学异质性的信息，也蕴含了指示营养状态的骨骼肌和脂肪组织信息。然而，迄今为止，这些影像信息在预后预测中往往被分开使用。深度学习技术，特别是Transformer模型，因其强大的特征提取和长距离依赖关系建模能力，在医学影像分析中展现出巨大潜力。本研究旨在开发并验证一种基于Transformer的深度学习模型，通过整合基线CT图像中的肿瘤和身体成分特征，来预测胃癌患者的术后复发风险，探索多源影像数据融合是否能提升模型的预测性能和风险分层能力。

本研究主要采用了基于Transformer架构的深度学习技术，构建了多个预测模型（如单独的肿瘤模型、SM模型、AT模型，以及融合模型TC、SM-TC和SMAT-TC）。研究队列来自两个医疗中心，共纳入1862例接受根治性切除术的胃癌患者，分为训练队列（1242例）、内部验证队列（311例）和外部验证队列（309例）。关键技术步骤包括：从术前静脉期CT图像中手动分割肿瘤体积，并在第三腰椎水平半自动分割骨骼肌和脂肪组织区域；使用数据增强技术扩充数据集；构建多流Transformer模型，分别处理肿瘤（三维）、SM（二维）和AT（二维）图像特征，并与临床风险因素（如CEA水平、TNM分期、淋巴结转移率LNR、辅助化疗AC等）进行融合；模型性能通过C指数、净重分类改善指数NRI和综合判别改善指数IDI等指标进行评估。

结果

基线特征

研究共纳入1862例符合条件的患者（平均年龄57.5±11.1岁；男性占64.8%）。大多数患者（96.3%）为病理II期或III期，70.9%的患者接受了术后辅助化疗。中位随访23.0个月，40.0%的患者出现复发。不同队列间的基线特征基本均衡。图像分割具有良好的一致性，读者间分割的Dice相似系数均值为0.951±0.034，表明分割变异较小。

预测模型性能比较

多变量Cox回归分析确定CEA水平、肿瘤位置、T分期、N分期、阳性淋巴结比率LNR和辅助化疗AC是与肿瘤复发相关的独立风险因素。基于此的临床模型预测RFS的C指数在训练、内部验证和外部验证队列中分别为0.782、0.737和0.603。融合模型（TC、SM-TC、SMAT-TC）的性能均优于单一模型（临床、肿瘤、SM、AT模型）。其中，整合了所有特征的SMAT-TC模型表现最佳，在内部和外部验证队列中的C指数分别达到0.890和0.855。按复发模式分层，该模型对局部区域复发和远处转移的预测也表现出色。净重分类改善NRI和综合判别改善IDI分析证实，依次添加SM和AT特征能显著提升模型的判别能力。

SMAT-TC模型的预测能力

SMAT-TC模型预测1年、3年和5年RFS的时间依赖性受试者工作特征曲线下面积AUC在训练、内部验证和外部验证队列中均表现出高判别力（例如，外部验证队列分别为0.855、0.860和0.853）。校准曲线显示预测概率与实际观测概率具有良好的一致性。决策曲线分析表明，SMAT-TC模型在临床相关的概率阈值范围内能提供比"全部治疗"或"全不治疗"策略更大的临床净获益。

风险分层与亚组分析

根据SMAT-TC模型评分，患者被分为高、中、低风险组。该模型能有效区分具有不同RFS的风险组。例如，在训练队列中，高风险、中风险和低风险组的3年RFS率分别为0.6%、72.3%和100.0%，5年RFS率分别为1.5%、68.1%和100.0%。高风险组患者的RFS显著差于中风险和低风险组。亚组分析进一步证实，SMAT-TC模型评分在所有预设亚组（如按性别、年龄、TNM分期、分化程度、辅助化疗情况分层）中均是RFS的稳健预测因子。

多变量Cox回归分析

单变量和多变量Cox回归分析显示，SMAT-TC评分是RFS的强独立预测因子。在校正临床病理变量后，其在内部验证队列中的风险比HR为255.2，在外部验证队列中为125.7。此外，肿瘤评分、SM评分和AT评分在所有队列中均为RFS的独立预测因子，支持了肿瘤、SM和AT特征所提供的互补性预后信息。

讨论与结论

本研究成功开发并验证了一种基于CT的融合模型，用于改善胃癌患者术后复发风险的预测。通过整合身体成分（骨骼肌和脂肪组织）与肿瘤特征及临床数据，SMAT-TC模型展现出了超越单一数据源模型的卓越预测性能。这表明，充分利用常规获取的影像数据，无需额外侵入性检查，即可最大化挖掘预后信息。该模型生成的风险评分是肿瘤复发的独立风险因素，能够将患者分层为具有显著不同无复发生存率的三个预后亚组，有助于识别可能从强化治疗（如辅助化疗）中获益的高危患者。

研究的创新点在于首次将Transformer架构应用于胃癌的肿瘤与身体成分多模态影像融合分析，并证实了身体成分特征在预后预测中的增量价值。相较于传统的卷积神经网络，Transformer在处理长距离依赖和全局上下文信息方面具有优势，这可能有助于更全面地捕捉肿瘤异质性和身体成分的细微变化。此外，研究采用了大规模多中心队列进行开发和验证，增强了结果的可靠性和泛化能力。

当然，研究也存在一些局限性。例如，研究人群均来自中国，结论推广至其他种族人群需进一步验证；身体成分分析仅限于L3水平，未来可考虑全腹腔分析；肿瘤分割为手动完成，尽管一致性较高，但引入自动化工具将提升可重复性；研究的回顾性性质限制了对化疗依从性等多模态特征关系的深入分析；深度学习模型的"黑箱"特性仍是临床应用的挑战，未来需开发更直观的解释方法。

总之，这项研究提出的SMAT-TC评分作为一种新型影像学生物标志物，通过挖掘常规腹部CT扫描中的肿瘤和身体成分特征，实现了胃癌患者的精准风险分层。该工具有望优化个性化治疗策略，减少过度治疗，改善胃癌术后的临床决策。