各位小伙伴们大家好，我是专注于生信分析研究与实践的生信塔呀~专为大家提供独特而前沿的研究选题、分析思路，这不，今天生信塔就给大家分享一篇深度学习与影像组学结合的创新值Max的文章！
说到深度学习，小伙伴们是不是条件反射般的想到机器学习，没错，聪明如你！深度学习其实就是机器学习领域的一个新的研究方向。那既然是新的研究方向，要是抓住利用好，高分文章还不是嗖嗖发！比如搞临床的宝子们把它和时下火热的影像组学结合起来，那新思路不就说来就来，效果绝对原地起飞！
而这种炸裂的效果可不是生信塔随便说的哦，是生信塔发现中山大学孙逸仙纪念医院曹昊天团队最近就利用这个路子轻松的发了15分+的文章，而且还是0实验！！！就问小伙伴们羡慕不！羡慕也别急，生信塔这就带大家一睹为快！该文章基于术前磁共振成像(MRI)放射学特征和深度学习特征构建了多种模型，并对早期口腔和口咽鳞状细胞癌的隐匿性颈淋巴转移（OCLNM）预测进行了测试，并深入的探讨了该模型在预后预测中的作用。而能发上15+的高分，其优势自然不容小觑~
1.选题新颖。目前还没有文献将放射组学特征和深度学习特征结合起来分析早期口腔和口咽鳞状细胞癌患者的OCLNM。这种从无到有的研究，足够将文章的新颖度拉满。
2.方法创新。深度学习在图像分类、目标检测和分割等领域显示出优于传统放射组学模型的能力。它能够从医学图像中学习复杂的模式，并有效地将其应用于新数据，显著提高医学成像分析的准确性、效率和一致性。而作者利用该方法进行分析，不仅使结果更加科学可靠，更提高了创新性。
3.内容丰富详实。作者构建了17个预测模型并从中筛选出效果最好的模型，且该模型在训练集、测试集和外部验证集都有良好的性能。多种模型的构建加上有力的验证，不仅丰富了文章的内容，更使结果具有说服力。
4.意义重大。文章开发了一种新的基于MRI的Resnet50深度学习模型用于预测早期口腔和口咽鳞状细胞癌的隐性淋巴结转移,有助于完善早期口腔和口咽鳞状细胞癌的临床诊断和治疗。看到这小伙伴们有没有恍然大悟，只要选对题，再在创新上下点功夫，发SCI可以说是易如反掌！而这种创新值Max又是0实验的高分思路绝对是小伙伴们用来复现的完美模板，所以在这一领域有发文需求的小伙伴赶紧码住思路行动起来吧，生信塔相信只要你跟着思路一步一步去复现，绝对能做吃“新思路”第一波螃蟹的人！（ps：如果小伙伴们在复现过程中技术受限或者没时间，亦或是在其他生信技术上有什么疑惑都可以扫码联系生信塔寻求帮助哦，生信塔不允许任何困难阻挠小伙伴们“吃螃蟹”哈哈哈~）
l题目：基于MRI的深度学习和放射组学预测早期口腔和口咽鳞癌隐匿颈部淋巴结转移和预后
l杂志：INT J SURG
l影响因子：IF=15.
3
l发表时间：2024年5月
据报道隐匿性颈淋巴转移(OCLNM)的发生率在早期口腔癌和口咽癌中占20%-30%。同时OCLNM是早期口腔癌和口咽癌患者最重要的预后因素之一。而目前还缺乏一种准确的诊断方法来预测OCLNM并帮助外科医生做出精确的治疗决定。因此本文建立并评价一种基于深度学习特征(DLFs)和放射组学特征预测早期口腔和口咽鳞状细胞癌OCLNM的术前诊断方法。
本文数据来自两家医院(队列A, n = 121；队列B, n = 198)的319例早期口腔癌和口咽癌患者患者。将队列A按7:3的比例随机分为训练集和测试集，将队列B根据收集到的批次划分为两组，定义为外部验证set1 (n = 68)和外部验证set2 (n = 130)。
作者首先将获取的MRI图像进行处理，接下来识别训练集中的关键特征，同时根据相关检验获得放射组学特征。而后作者基于获得的放射组学特征构建了17个预测模型，而为了确定最优的预测模型，作者比较了这些模型在训练集和测试集上的能力并确定了性能最好的模型--Resnet50。最后为了评估Resnet50模型的稳健性，作者进行了外部验证队列的验证并绘制Kaplan - Meier生存曲线进行生存分析。
1. 患者特征
本研究共纳入319例患者，其中男性207例，女性112例。T1期125例，T2期194例。其中163例为OCLNM。在对患者的基本特征进行统计后，作者对两个队列进行了单变量比较(表1)。研究结果显示，两个队列在性别、临床T分期和亚位点方面没有显著差异。表明两个队列具有可比的临床特征，从而确保分布上的差异不会影响预测模型的结果。
表1 患者特征
2. 放射组学特征的选择
接下来作者采用SMOTE法对少量样本进行取样，然后进行Spearman相关检验和LASSO分析来识别训练集中的关键特征。作者分别使用放射组学获取特征，以及利用放射组学结合DLF获取特征。经过相关检验，放射组学获得73个特征。然后作者利用LASSO分析进一步进行简化特征，放射组学与Resnet-50结合的特征选择过程如图1A和1B所示。在通过放射组学和Resnet-50筛选的最后18个特征中，5个特征是传统放射组学特征，其余13个是深度学习特征(图1C)。综上所述，作者对用于下一步构建模型的特征进行了选取。
图1 放射组学结合Resnet-50的特征选择
3. 模型的构建、比较与评价
基于以上选取的特征，作者接下来构建了17个预测模型。发现结合放射组学的预训练深度学习模型Resnet50的性能最好，Resnet50联合放射组学在测试集中的表现优于其他16个模型 (图2C, 2D)。为了进一步评估OCLNM的诊断准确性，采用决策曲线分析(DCA)曲线进行分析(图2E)。结果发现Resnet50的净效益最好(图2F, 2G)。综上所述通过比较作者选择17个模型中性能最好的模型，并进行了测试。
图2 基于DLF和放射组学特征的模型构建与比较
4. 外部验证和生存分析
最后为了评估Resnet50模型的稳健性，作者采用了两个具有随访数据的外部验证队列进行验证(图3A)。Resnet50在外部验证集1和外部验证集2中表现稳定(图3A, 3B)。此外，作者分别在外部验证集1和外部验证集2中绘制Kaplan - Meier生存曲线，在两个外部验证集中，放射组学评分低的患者预后优于评分高的患者(图3C、3D)。这说明Resnet50对早期口腔和口咽鳞状细胞癌患者的预后有很大的预测价值。
图3 基于放射组学特征和DLF的预测模型的外部验证
文章基于术前MRI放射学特征和深度学习特征构建了17种模型，并通过比较评估等确定了性能最优的模型，进而进一步完善早期口腔和口咽鳞状细胞癌的临床诊断和治疗。纵观全文思路清晰明了，整体的路子就是特征提取-模型构建-外部验证，可以说简单而经典，但妙就妙在了作者新颖的将深度学习与放射组学结合在了一切，通过不同情况的组合构建了多种模型，瞬间将文章的创新性和丰富度都大大的提升了一个level！而这种高分的可复现思路可是可遇不可求的，所以想发高分的小伙伴赶紧上车哦，毕竟吃创新的红利可要先下手为强哦~（ps：如果将思路“化为己用”的过程中遇到困难，亦或者想进一步提升自己的数据挖掘技能，都可以扫码联系生信塔，生信塔很乐意为您排忧解难哦~）
生信塔公众号持续为大家带来最新生信思路，更多创新性分析思路请点击往期推荐，快来查看吧！想复现这种思路或者定制更多创新性思路欢迎直接call生信塔，我们团队竭诚为您的科研助力！
