文献速递头颈技术与安全PETCT

FDG PET/CT 深度学习-影像组学融合模型鉴别鼻咽癌与鼻咽淋巴瘤

A Dual-Center, Interpretable Deep Learning-Radiomics Fusion Model for Distinguishing Nasopharyngeal Carcinoma from Nasopharyngeal Lymphoma Using FDG PET/CT.
PubMed 文献 · Acad Radiol · 2026-08-15

本回顾性双中心研究纳入 434 例治疗前经病理证实的鼻咽癌或鼻咽淋巴瘤患者,均接受基线 FDG PET/CT 检查。研究提取 1688 个影像组学特征和 3D-ResNet50 深度学习特征,构建多模态逻辑回归融合模型并在外部验证集评估。融合模型在外部验证中 AUC 为 0.833,特异度 95.5%,准确率 75.3%,优于所有单模态模型。

要点

  • 融合模型外部验证特异度高达 95.5%,适合辅助确认鼻咽癌,减少淋巴瘤误判。
  • PET 的形状与纹理特征对鼻咽淋巴瘤有提示价值,CT 小波最大特征对鼻咽癌有提示价值。
  • 模型提供 SHAP 可解释性,可用于 PET/CT 报告中提示 NPC 与 NPL 的鉴别概率依据。

核心结论

  • 融合模型在外部验证队列中 AUC 达 0.833,特异度 95.5%,准确率 75.3%,优于所有单模态模型(均 P < 0.05)。
  • SHAP 分析显示鼻咽淋巴瘤关键预测特征为 original_shape_MinorAxisLength_PET 和 lbp-3D-k_glrlm_RunLengthNonUniformity_PET。
  • 鼻咽癌关键预测特征为 wavelet-LLL_firstorder_Maximum_CT 相关特征。
  • 该融合模型可作为无创的临床决策支持工具,辅助鼻咽癌与鼻咽淋巴瘤的鉴别。

研究设计与样本

  • 回顾性双中心研究,共纳入 434 例经病理证实且治疗前的鼻咽癌或鼻咽淋巴瘤患者。
  • 内部队列 349 例,外部队列 85 例;所有患者均行基线 FDG PET/CT 检查。
  • NPC 共 329 例(75.8%),其中内部 266 例,外部 63 例;NPL 共 105 例(24.2%),其中内部 83 例,外部 22 例。
  • NPC 患者平均年龄 50.5 ± 13.8 岁,NPL 患者平均年龄 59.0 ± 16.5 岁。
  • 研究提取 1688 个影像组学特征及 3D-ResNet50 深度学习特征,采用三步特征筛选构建多模态逻辑回归模型,以外部测试集评估性能,用 SHAP 进行可解释性分析。

关键影像表现/征象

  • PET 影像组学特征 original_shape_MinorAxisLength_PET 为鼻咽淋巴瘤的 SHAP 关键预测特征之一。
  • PET 纹理特征 lbp-3D-k_glrlm_RunLengthNonUniformity_PET 为鼻咽淋巴瘤的另一 SHAP 关键预测特征。
  • CT 小波变换后的一阶最大特征 wavelet-LLL_firstorder_Maximum_CT 为鼻咽癌的 SHAP 关键预测特征。

诊断标准与关键数值

  • 外部验证中融合模型区分鼻咽癌与鼻咽淋巴瘤的 AUC 为 0.833。
  • 外部验证中融合模型特异度为 95.5%。
  • 外部验证中融合模型准确率为 75.3%。
  • 融合模型与所有单模态模型比较,差异均有统计学意义(所有 P < 0.05)。

临床应用与阅片要点

  • 融合模型高特异度特性适合作为 PET/CT 报告中的辅助确认工具,阳性结果可较可靠地支持鼻咽癌诊断。
  • 阅片时可重点关注 PET 病灶的短轴长度、局部二值模式纹理及 CT 小波变换一阶最大值特征,以判断病变倾向。
  • 模型决策逻辑透明,便于在临床报告中解释鉴别结论的影像依据,增强诊断可接受性。
  • 该模型无需侵入性操作,可作为活检前或治疗前的快速鉴别参考。

局限性

  • 该研究为回顾性设计,可能存在选择偏倚。
  • 研究仅纳入治疗前患者,未验证模型在治疗后或复发场景中的表现。
  • 外部验证队列仅 85 例,样本量有限。
  • 研究未报告敏感度,仅报告特异度和准确率,无法全面评估漏诊风险。

以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。

英文原文(摘要)· 点击展开

RATIONALE AND OBJECTIVES: Accurate differentiation between Nasopharyngeal Carcinoma (NPC) and Nasopharyngeal Lymphoma (NPL) is critical for clinical management. We aimed to develop an interpretable deep learning-radiomics fusion model using positron emission tomography/computed tomography (PET/CT) and validate it externally.

MATERIALS AND METHODS: In this retrospective dual-center study, we enrolled 434 patients (349 internal, 85 external) with pathologically confirmed, treatment-naive NPC or NPL who underwent baseline FDG PET/CT. We extracted 1688 radiomics features and deep learning features from 3D-ResNet50. A three-step feature selection was applied, and a multimodal logistic regression model was constructed. Model performance was evaluated on an external test set, and SHapley Additive exPlanations (SHAP) analysis was used for interpretation.

RESULTS: In this retrospective dual-center study, a total of 434 patients (434 primary lesions) were enrolled, including 349 from the internal cohort and 85 from the external cohort. Among them, 329 patients (75.8%) had NPC ( internal: 266, external: 63) and 105 patients (24.2%) had NPL( internal: 83, external: 22). The mean age of NPC patients was 50.5 ± 13.8 years, while that of NPL patients was 59.0 ± 16.5 years. The final fusion model (denoted as the ALL model) achieved an AUC of 0.833, specificity of 95.5%, and accuracy of 75.3% in external validation, outperforming all single-modality models (all P < 0.05). SHAP analysis identified key predictors: original_shape_MinorAxisLength_PET and lbp-3D-k_glrlm_RunLengthNonUniformity_PET for NPL, and wavelet-LLL_firstorder_Maximum_CT features for NPC.

CONCLUSION: We developed a robust, interpretable fusion model for NPC/NPL differentiation, offering high specificity and transparent decision logic, with potential as a non-invasive clinical decision-support tool.

来源:Acad Radiol,查看原文。版权归原作者所有。

引用

  1. Liang, Guo, Gao, et al. A Dual-Center, Interpretable Deep Learning-Radiomics Fusion Model for Distinguishing Nasopharyngeal Carcinoma from Nasopharyngeal Lymphoma Using FDG PET/CT. Acad Radiol. 2026. PMID: 42603752. doi:10.1016/j.acra.2026.07.060

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。