基于多模态深度学习的宫颈癌预后预测模型CerviPro：一项多中心验证研究

本研究针对局部晚期宫颈癌(LACC)患者预后预测的临床挑战，开发并验证了整合治疗前后CT影像、放射组学特征和临床数据的多模态深度学习模型CerviPro。通过1018例接受根治性放疗患者的队列研究，该模型在内部验证中展现出优异预测性能(C-index 0.81)，显著优于传统FIGO分期体系。研究创新性地融合放疗敏感性动态评估与自动化特征提取技术，为个体化治疗决策提供了可靠工具，相关成果发表于《npj Digital Medicine》。

　　

宫颈癌作为全球女性第四大恶性肿瘤，每年导致超过55万例死亡，其中局部晚期宫颈癌(LACC)患者的标准治疗方案——同步放化疗(CCRT)仍有30%的失败率。尽管免疫治疗(如KEYNOTE-A18试验)等强化策略可提升生存率，但伴随的毒性反应和治疗成本凸显精准预后预测的迫切性。现有FIGO分期系统存在显著预后异质性，而传统放射组学模型又受限于单中心数据、人工勾画依赖性等瓶颈。

北京协和医院的研究团队通过多中心合作，开发了名为CerviPro的深度学习预后预测系统。该研究整合了691例训练队列和327例内外验证队列数据，创新性地将治疗前后CT影像特征(通过预训练基础模型提取8192维深度特征)、147项手工放射组学参数及9项临床变量进行多模态融合。发表于《npj Digital Medicine》的结果显示，该模型在内部验证中达到0.81的C-index值，成功将患者分层为显著差异的生存亚组(p<0.001)。

关键技术包括：(1)基于3D U-Net的自动分割网络(Dice评分0.87)处理盆腔CT图像；(2)自监督学习预训练的基础模型提取深度特征；(3)主成分分析(PCA)降维保留30个关键影像组分；(4)DeepHit算法构建生存预测模型；(5)多中心验证框架涵盖不同扫描设备和治疗方案。

生存预测与风险分层

通过Kaplan-Meier分析证实，CerviPro在训练队列中实现高危/低危组3年DFS率差异达41.3%(p<0.001)，内部验证队列保持相似区分度。相较于单纯临床模型(AUC 0.69)或放射组学模型(AUC 0.69)，多模态融合使预测性能提升24.6%。

时间依赖性预测性能

模型在12/36/60个月的AUC值分别为0.96/0.92/0.87(训练集)和0.79/0.80/0.80(内部验证)，但外部验证降至0.63-0.64，研究者归因于各中心间肿瘤负荷(直径5.34 vs 4.04 cm,p<0.001)和随访时长(37.73 vs 50.82月,p<0.001)的差异。

多模态特征融合价值

，特别是基础模型特征单独使用时预测效能最低(AUC 0.65)。通过迁移学习对外部数据微调后，模型性能可提升至AUC 0.76-0.79。

临床转化意义

该研究突破了传统预后模型的三大局限：(1)首次整合放疗后影像评估治疗敏感性；(2)采用自动化流程替代人工勾画；(3)实现跨中心验证。尽管存在外部数据适应性下降的问题，但模型为精准识别KEYNOTE-A18等强化治疗获益人群提供了新范式。作者建议未来应建立标准化影像协议、延长随访时间，并整合基因组学等多组学数据以进一步提升预测效能。