《Melanoma Research》：Adjuvant therapy in mucosal melanoma: a single-center experience and review of the literature
编辑推荐：
本文综述了整合深度学习(DL)与影像组学(Radiomics)技术构建皮肤黑色素瘤无创诊断模型的研究。通过回顾性分析350例皮肤色素性病变患者的皮肤镜图像，研究筛选出病灶直径、熵(一阶统计量)、长游程强调(LRE)、大区域强调(LAE)、小波对比度、小波能量及ResNet50-第49层输出等独立预测因子，并比较随机森林(RF)、支持向量机(SVM)和K近邻(KNN)模型的诊断效能。结果显示RF模型曲线下面积(AUC)达0.794，显著优于其他模型，证实基于多模态特征融合的RF模型可为黑色素瘤早期筛查提供客观、高效的诊断工具。
研究背景与目的
黑色素瘤作为恶性程度最高的皮肤肿瘤，其全球发病率持续上升且具有强侵袭性与转移潜能。目前临床诊断主要依赖皮肤镜结合病理活检，但前者受医师经验影响较大，后者作为"金标准"具有侵入性缺陷。影像组学通过将医学图像转化为可量化特征，可表征病灶微观异质性，而深度学习(如卷积神经网络CNN)能自动提取图像深层抽象特征。本研究旨在开发融合深度学习与影像组学的诊断模型，提升黑色素瘤无创诊断的准确性与临床实用性。
材料与方法
研究纳入2022年1月至2024年12月收治的350例皮肤色素性病变患者，按7:3比例随机分为训练集(245例)和验证集(105例)。所有患者均完成皮肤镜检查且图像符合标准化采集要求(分辨率≥1000×1000像素)。采用高分辨率皮肤病专用数码相机(佳能EOS R5配100mm微距镜头)在标准化暗室环境下采集图像，由两名经验丰富的放射科医师使用ITK-SNAP 4.0进行预处理。
影像组学特征提取涵盖四大类：一阶统计特征(均值、标准差、偏度、峰度、能量、熵、对比度、均匀性)；纹理特征(灰度共生矩阵GLCM、灰度游程矩阵GLRLM、灰度区域大小矩阵GLSZM、邻域灰度差分矩阵NGTDM)；高阶小波特征(基于db4小波基进行三级分解，计算小波均值、标准差、熵、对比度、能量及峰度)；深度学习语义特征(采用预训练ResNet50模型，提取第48层和第49层输出特征)。以病理活检结果为金标准，将病灶分为恶性(黑色素瘤)与良性(色素痣、脂溢性角化病、雀斑样痣等)。
统计分析使用SPSS 26.0和R 4.5.1软件。通过单因素分析筛选相关因素后，采用最小绝对收缩与选择算子(LASSO)回归进行变量压缩，再经多因素Logistic回归确定独立影响因素。最终构建随机森林(RF)、支持向量机(SVM)和K近邻(KNN)模型，并采用受试者工作特征曲线下面积(AUC)评估性能。
研究结果
训练集与验证集基线特征无显著差异(P>0.05)。单因素分析显示，病灶直径、熵(一阶统计量)、长游程强调(LRE)、大区域强调(LAE)、小波对比度、小波能量及ResNet50-第49层输出与黑色素瘤发生显著相关(P<0.05)。多因素Logistic回归证实上述7个指标均为独立危险因素。
模型比较结果显示，RF模型在验证集的AUC为0.794，显著高于SVM模型(0.768)和KNN模型(0.755)。特征重要性排序依次为：熵(一阶统计量)>长游程强调>小波对比度>大区域强调>小波能量>病灶直径>ResNet50-第49层输出。
讨论与结论
本研究构建的RF模型有效整合了临床指标、传统影像组学特征与深度学习特征。熵值作为首要预测因子，反映图像像素强度分布的紊乱程度，与黑色素瘤细胞排列紊乱、色素分布不均的病理特征相符。长游程强调和大区域强调表征病灶内连续相同像素概率及大均匀区域分布，对应黑色素瘤常见的不规则大面积色素簇特征。小波特征能捕捉多尺度结构差异，而ResNet50深层输出则提供超越人工设计的抽象特征。
研究的创新点在于多模态特征融合与标准化工作流程，但存在单中心回顾性设计的局限性，未包含遗传易感因素与早期微小黑素瘤的专项评估。未来需通过多中心前瞻性研究验证模型普适性，并加强特征与临床诊断标准(如ABCDE法则)的关联解释。
综上，基于深度学习影像组学的RF模型为黑色素瘤无创诊断提供了新思路，其中熵、长游程强调和小波对比度是核心预测指标，有望推动非侵入性诊断技术的临床转化。
