最近有小伙伴反映收不到推送，因为公众号改了推送算法，现在需要加星标，多点赞、点在看，才能准时收到推送哦。
导语：据报道，早期口腔癌和口咽癌中隐匿性颈部淋巴结转移（OCLNM）的发生率为 20–30%。目前缺乏准确的诊断方法来预测隐匿性淋巴结转移并帮助外科医生做出精准的治疗决策。
作图丫不仅文章解读的好，课题做得也出色，已与国内多家知名医院的老师和名牌大学实验室达成合作。欢迎有生信分析需求的老师垂询，公共数据库数据挖掘或自测数据分析均可。
今天小编为大家带来的这篇文章，作者构建并评估基于深度学习特征 (DLF) 和影像组学特征的早期口腔及口咽鳞状细胞癌 (OC 和 OP SCC) 术前预测 OCLNM 的诊断方法。文章发表在《INTERNATIONAL JOURNAL OF SURGERY》上，文章题目为：MRI-based deep learning and radiomics for prediction of occult cervical lymph node metastasis and prognosis in early-stage oral and oropharyngeal squamous cell carcinoma: a diagnostic study。
：构建并评估基于深度学习特征 (DLF) 和影像组学特征的早期口腔及口咽鳞状细胞癌 (OC 和 OP SCC) 术前预测 OCLNM 的诊断方法本研究技术路线如图1所示。首先，在T1加权和T2加权图像上分割出原发肿瘤的ROIs。然后，应用这些ROIs对原发肿瘤进行三维重建。并提取三维影像组学特征和深度学习特征进行进一步分析。接下来，基于上述特征，本研究构建了17个预测模型。最后，通过模型比较和验证，选出最优预测模型来预测OCLNM。
图 1
本研究共纳入319例患者，其中男性207例（64.89%），女性112例（35.11%）。该研究包括来自两个独立医疗中心的两个队列。原发肿瘤区域由口腔颌面放射科专家（具有10年口腔颌面MRI解释经验）通过ITK-SNAP软件逐片勾画和分割，生成相应的感兴趣区域（ROI），该专家对结果不知情。原发肿瘤的MRI图像及相应的分割结果如图2所示。
图 2
在本研究中使用SMOTE方法对少量样本进行采样，以适当增加分类的样本平衡，结果显示54例LNM患者和47例无淋巴结转移患者。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。经过相关检验，Radiomics获得73个特征，Radiomics与Resnet18组合获得824个特征，Radiomics与Resnet34组合获得727个特征，Radiomics与Resnet50组合获得1773个特征，Radiomics与Resnet101组合获得1499个特征，Radiomics与Resnet152组合获得1501个特征，Radiomics与Densenet121组合获得1369个特征，Radiomics与Inception组合获得4171个特征。2633个来自Radiomics和EfficientNet的组合。然后利用LASSO分析进一步进行特征约简。15个特征来自Radiomics， 17个特征来自Resnet-18, 7个特征来自Resnet-34, 5个特征来自Resnet-50, 5个特征来自Resnet-101, 7个特征来自Resnet-152, 10个特征来自Densenet-121, 12个特征来自A C B。结合Radiomics和Resnet50进行特征选择。A.特征的LASSO回归系数。不同的颜色线表示每个特征对应的系数；B. LASSO模型中调谐参数（λ）的选择；C.融合特征值。InfoCorr，信息理论相关；InvDiff，差的倒数；国际米兰,拦截;SDLGLE，小距离低灰度强调；X、深度学习特征，Radiomics与Resnet50结合的特征选择过程如图3A和b所示。
在Radiomics与Resnet50最终筛选出的18个特征中，5个为传统放射组学特征，其余13个为DLF特征（图3C）。
图 3
LNM阳性和LNM阴性的早期OC和OP SCC，深度cnn识别和聚焦的特征激活图如图4所示。
图 4
基于以上选取的特征，本研究构建了17个预测模型。为了探索不同DLF对模型性能的影响，并确定最优的预测模型，比较了这些模型在训练集和测试集上的能力。因此，预训练的深度学习模型Resnet50结合放射组学的表现最好，在训练集中的AUC为0.928 (95% CI: 0.881-0.975)， ACC为0.861，NPV为0.860（图5A， B）。与训练集中的情况一致，Resnet50结合放射组学在测试集中的表现优于其他16个模型，AUC为0.878 (95% CI：0.766-0.990)， ACC为0.868，NPV为0.706（图5C， D）。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（图5E）。其中，Resnet50的净效益最好。此外，根据Radiomics + Resnet50建立的模型的评分结果和分类结果构建了一个nomogram，该模型量化了早期OC和OP SCC的OCLNM预测（图5F， G）。通过将每个独立预测因子的得分相加，得到了总点数，以此来估计早期OC和OP SCC患者OCLNM的发生情况。
图 5
为了评估Resnet50模型的稳健性，本研究采用了两个带有随访数据的外部验证队列（n=197）（图6A）。Resnet50在外部验证集1和外部验证集2中均表现稳定，AUC为0.796（95%CI：0.666–0.927），ACC为0.761，NPV为0.655，AUC为0.834（95%CI：0.721–0.947），ACC为0.784，NPV为0.938（图6A，B）。此外，为了评估 Resnet50 模型对早期 OC 和 OP SCC 患者的预后预测价值，分别在外部验证集 1 和外部验证集 2 中进行了 Kaplan–Meier 生存曲线绘制（图 6C、D）。在两个外部验证集中，放射组学评分较低的患者（≤ 0.033）的预后优于评分较高的患者（>0.033）（图 6C、D）。这表明 Resnet50 对早期 OC 和 OP SCC 患者的预后具有较高的预测价值。
图 6
本研究构建了17个预测模型，其中基于影像组学与深度学习特征相结合的Resnet50模型效果最优，在训练集、测试集、外部验证集1、外部验证集2中的AUC值分别为0.928（95% CI：0.881–0.975）、0.878（95% CI：0.766–0.990）、0.796（95% CI：0.666–0.927）、0.834（95% CI：0.721–0.947）。Resnet50模型对早期OC和OP SCC患者预后具有较高的预测价值。结论：本文提出的基于MRI的Resnet50 DL模型对早期OC和OP SCC患者OCLNM的诊断和预后预测能力较强。Resnet50模型有助于完善早期OC和OP SCC的临床诊断和治疗。
码字不易，欢迎读者分享或转发到朋友圈，任何公众号或其他媒体未经许可不得私自转载或抄袭。由于微信平台算法改版，公众号内容将不再以时间排序展示，建议设置“作图丫”公众号为星标，防止丢失。星标具体步骤为：
（2）点击右上角的小点点，在弹出界面选择“设为星标”即可。
