基于磁共振图像的深度学习辅助鼻咽癌复发检测策略（DARNDEST）的高效经济性研究

《Cancer Imaging》：Establishment of a deep-learning-assisted recurrent nasopharyngeal carcinoma detecting simultaneous tactic (DARNDEST) with high cost-effectiveness based on magnetic resonance images: a multicenter study in an endemic area

为解决鼻咽癌（NPC）复发检测难题，研究人员开展基于磁共振成像（MRI）的深度学习模型研究，发现 DARNDEST 策略高效经济。

　　在神秘的医学世界里，鼻咽癌（NPC）就像一个隐匿的 “杀手”，在东南亚和北非地区肆意横行。尽管放疗和成像技术不断进步，但肿瘤复发仍是 NPC 患者的心头大患，10% - 20% 的患者会出现局部复发。早期精准检测复发 NPC 对于治疗和预后至关重要，然而，传统检测方法困难重重。NPC 局部复发多在黏膜下生长，临床检查容易漏诊，内镜活检也难以触及，病理诊断受阻。磁共振成像（MRI）虽在 NPC 诊疗中有一定价值，但诊断效能参差不齐，且辐射导致的解剖结构改变、信号强度变化等，让复发肿瘤和放疗后改变难以区分。反复进行 MRI 检查并使用对比剂，不仅增加患者经济负担和心理压力，还可能带来副作用。在这样的困境下，深度学习算法的出现带来了新希望。

中山大学肿瘤防治中心等研究机构的研究人员，决心攻克这一难题。他们开展了一项多中心研究，旨在探究利用未增强 MRI 检测局部复发 NPC 的可行性，并借助深度学习模型优化随访分层管理策略。该研究成果发表在《Cancer Imaging》上。

研究人员在此次研究中运用了多种关键技术方法。首先，从中山大学肿瘤防治中心、佛山市第一人民医院和广州医科大学附属肿瘤医院收集了大量患者数据，构建样本队列。然后，基于 3D DenseNet 或 ResNet 框架，利用独特序列（T1WI、T2WI 或 T1WIC）或其组合图像开发深度学习模型。通过调整模型参数、进行数据增强等操作优化模型，最后运用多种评价指标和统计方法评估模型性能并进行成本分析。

在研究结果方面，首先是不同模型诊断性能比较。T1WIC 模型与 T1WI、T2WI 或 T1_T2 模型相比，整体准确性、敏感性和特异性无显著差异（所有P > 0.0167），且这些模型在内部和外部队列中的整体准确性和敏感性均较高。同时，放射科医生诊断的特异性虽高，但敏感性较低。T1_T2 模型的阳性预测值（PPV）和阴性预测值（NPV）略高于 T1WIC 模型，但无统计学意义。

接着是错误诊断分析。DenseNet 模型和初级放射科医生误诊的主要原因是将放疗诱导的纤维化误判为复发，而高级放射科医生虽能较好区分纤维化和复发，但在区分复发与放射性坏死时存在困难。此外，放射科医生漏诊主要是因为早期微小病变，而深度学习模型则在病变定位和判断上存在问题。

最后是 DARNDEST 的评估。DARNDEST 在整个测试集中比 T1_T2 模型具有更高的准确性和敏感性，特异性略有降低。经济分析显示，在假设的 1000 例患者队列中，DARNDEST 单次检查成本低于传统方法，且检测阳性病例成本显著降低，检查时间也有所减少。

研究结论表明，利用未增强 MRI 结合深度学习检测局部 rNPC 是可行的，DARNDEST 驱动的随访管理高效且经济。在讨论部分，研究人员进一步指出，该研究首次证明在人工智能时代，NPC 患者根治术后增强 MR 检查可合理免除，这能节省成本和时间，提高患者耐受性。同时，研究也存在局限性，如部分患者缺乏病理确诊、未考虑转移淋巴结和肿瘤分割、仅用单时间点轴向图像、未纳入临床数据等。未来研究可针对这些问题进一步探索。总的来说，这项研究为 NPC 复发检测和随访管理开辟了新路径，具有重要的临床意义和应用前景。