基于CT的多实例和集成学习方法在食管鳞状细胞癌淋巴结转移预测中的应用：一项多中心回顾性研究

《Cancer Imaging》：CT-based multiple instance and ensemble learning for lymph node metastasis prediction in esophageal squamous cell carcinoma: a multicentre, retrospective study

食管鳞癌淋巴结转移预测模型研究：基于CT的Stacking模型通过整合可见淋巴结、原发肿瘤特征及临床数据，在974例患者队列中表现优异（AUC 0.819-0.883），成功区分pN0高危患者并证实术后辅助治疗（POAT）对高危者生存有益。

　　

摘要

背景

准确预测食管鳞状细胞癌（ESCC）患者的淋巴结转移（LNM）对于制定治疗方案至关重要。然而，这一任务仍然具有挑战性，使得治疗决策变得复杂；对于被归类为pN0的患者（即淋巴结清扫不足<15个淋巴结），这一问题尤为突出，因为这些患者接受术后辅助治疗（POAT）的有效性仍存在争议。因此，我们旨在开发一种基于CT的预测模型，以提高ESCC患者中LNM的检测率，并识别出可以从POAT中获益的pN0患者。

方法

我们回顾性地纳入了974名接受了根治性食管切除术且淋巴结清扫充分的ESCC患者（≥15个淋巴结），将他们分为训练组（432名患者）、内部验证组（185名患者）和外部验证组（357名患者）。为了预测LNM，我们开发了一种基于多重实例学习和集成学习的Stacking模型，该模型利用了可见淋巴结、原发肿瘤特征以及每位患者的临床特征。此外，我们另外纳入了386名淋巴结清扫不足的pN0患者，并根据Stacking模型的最佳临界值将他们分为低风险组和高风险组。Kaplan-Meier模型和Cox模型被用来评估POAT对患者生存的影响。

结果

Stacking模型在训练组、内部验证组和外部验证组中的曲线下面积（AUC）值分别为0.883、0.834和0.819，优于仅基于肿瘤特征、临床特征或最大淋巴结特征的传统模型。通过Stacking模型被识别为高风险的pN0患者的总体生存情况比低风险患者更差。POAT为高风险患者提供了生存益处，但对低风险患者的生存没有显著影响。

结论

我们的Stacking模型在ESCC患者中实现了出色的LNM预测效果，有望为个性化治疗策略提供指导，特别是对于淋巴结清扫不足的pN0患者。