Insights Imaging（IF=4.5）首都医科大学附属北京友谊医院等团队：CT深度学习联合营养标志物预测食管鳞癌3年生存期

01文献学习今天分享的文献是由首都医科大学附属北京友谊医院放射科等团队于2026年1月26日在《Insights into Imaging》中科院2区IF4.5上发表的研究“CT-based deep learning signatures associated with transcriptomic heterogeneity and combined with nutritional biomarkers improve prediction of 3-year overall survival in esophageal squamous cell carcinoma”即基于CT的深度学习特征结合转录组异质性与营养生物标志物改善食管鳞状细胞癌3年总生存期的预测该研究开发并验证了一种基于CT图像的深度学习特征DLS结合营养生物标志物如低骨骼肌质量的预测模型用于食管鳞状细胞癌ESCC患者术后3年总生存期的个体化预测。研究还通过转录组分析揭示了DLS定义的风险组之间的代谢通路差异增强了模型的生物学可解释性。创新点①首次整合CT深度学习特征与营养生物标志物LSMM构建多模态预后模型提升预测性能。②揭示DLS风险分组的转录组代谢异质性关联胆固醇合成、氧化磷酸化等通路增强生物学可解释性。③采用Crossformer架构提取多尺度特征结合注意力图可视化提高深度学习模型的可解释性。临床价值①术前无创预测3年总生存期辅助个体化治疗决策避免依赖术后病理。②联合营养指标LSMM改善风险分层识别高危营养不良患者指导预康复干预。③模型C-index达0.753内部和0.725外部优于传统模型具备较好的泛化能力。图 2研究整体工作流程图数据采集临床基线资料、病理、随访、营养指标L3-SMI评估LSMM影像增强CT静脉期图像组学TCGA转录组数据影像处理与特征提取手动分割肿瘤3D-ROICrossformer架构提取多尺度深度学习特征PCA降维至256维模型构建临床模型Cox回归筛选独立预后因子DL模型LASSO-Cox筛选关键深度学习特征DLS组合模型DLS临床/营养因子联合建模模型验证评价指标C-index、KM曲线、校准曲线、DCA、时间依赖ROC验证队列内部验证外部验证生物学机制解析TCGA队列差异基因DEGs、PPI网络、代谢通路ssGSEA建立CT影像表型↔转录组代谢异质性的关联02研究背景和目的研究背景食管癌是全球第六大癌症相关死亡原因其中食管鳞状细胞癌ESCC是最常见的病理亚型5年总生存率低于20%3年生存率多不足50%预后极差。目前ESCC的预后评估主要依赖术后病理指标如TNM分期、分化程度和脉管侵犯等但这些指标难以反映患者间的肿瘤生物学异质性导致相同分期的患者生存差异显著。近年来营养不良和低骨骼肌质量LSMM被证实是ESCC等实体瘤的重要独立预后因素但多数深度学习DL生存模型未整合此类宿主营养状态信息。另一方面基于CT图像的深度学习特征DLS可非侵入性地捕获肿瘤形态与异质性具备预后预测潜力。然而现有DL模型多局限于影像特征缺乏与转录组代谢异质性的关联分析限制了其生物学可解释性和临床推广。因此亟需构建融合影像、临床与营养指标的多模态模型并探索其背后的分子机制。研究目的本研究旨在开发并验证一种基于CT图像的深度学习特征DLS与术前营养生物标志物尤其是LSMM相结合的联合模型用于术前预测ESCC患者术后3年总生存期OS以提升个体化风险分层能力。研究进一步探索DLS所定义的高危与低危组之间的转录组差异特别是代谢相关通路如胆固醇合成、氧化磷酸化、谷胱甘肽代谢等的活性变化揭示影像表型背后的肿瘤代谢重编程异质性增强深度学习模型的可解释性。通过整合影像、临床病理及营养指标该研究希望弥补现有模型忽略宿主状态的不足提供一种术前即可获取、非侵入性、具备生物学依据的预后评估工具为ESCC患者的个体化治疗决策和围手术期营养干预提供理论依据。03数据和方法研究数据总样本量662例ESCC术后患者来自三个医疗中心训练集402例内部验证集172例外部验证集88例转录组分析16例来自TCGA数据库的ESCC患者数据来源CT影像增强与非增强、临床病理资料、TCGA转录组数据图 1患者筛选流程图技术方法深度学习特征提取基于Crossformer架构从CT图像中提取多尺度特征PCA降维。营养评估L3椎体骨骼肌指数SMI定义低骨骼肌质量LSMM。建模方法LASSO-Cox回归筛选特征构建临床模型、DLS模型和联合模型。模型评估C-index、校准曲线、决策曲线分析DCA、Kaplan-Meier生存曲线。转录组分析差异表达基因DEGs、PPI网络、ssGSEA代谢通路分析。04实验结果临床模型C-index 内部0.687外部0.645DLS模型C-index内部0.743外部0.692联合模型C-index 内部0.753外部0.725优于前两者风险分层KM曲线显示高风险组与低风险组生存差异显著p 0.05转录组分析高风险组在胆固醇合成、氧化磷酸化、谷胱甘肽代谢等通路显著富集提示代谢重编程图 3临床模型的Kaplan–Meier生存曲线图 4深度学习模型的Kaplan–Meier生存曲线图 5组合模型生存分析与可视化图 6基于DLS风险分组的ESCC转录组代谢异质性分析05研究结论该研究成功构建并验证了一种结合CT深度学习特征与营养生物标志物低骨骼肌质量LSMM的多模态预测模型用于食管鳞癌ESCC患者术前3年总生存期的个体化评估。结果表明深度学习模型在内部和外部验证队列中的C-index分别达0.743和0.692而整合了病理T/N分期、神经浸润、血管侵犯及LSMM的联合模型表现更优内部和外部验证C-index提升至0.753和0.725且校准曲线和决策曲线分析证实其临床净获益。尤为重要的是基于深度学习特征的风险分层揭示了显著的转录组代谢异质性高风险组中胆固醇生物合成、氧化磷酸化及谷胱甘肽代谢等通路活性明显升高而低风险组则相反这为影像表型提供了生物学注解支持深度学习特征作为“数字活检”反映肿瘤代谢重编程。尽管模型在外部验证中C-index有所下降且受限于回顾性设计和小样本转录组分析但该联合模型实现了术前预后预测、风险分层与生物学可解释性的统一为食管鳞癌的精准治疗决策提供了有前景的工具。参考文献Jia J, Cheng Y, Wang J, Bai G, Han L, Xu L, Niu Y. CT-based deep learning signatures associated with transcriptomic heterogeneity and combined with nutritional biomarkers improve prediction of 3-year overall survival in esophageal squamous cell carcinoma. Insights Imaging. 2026 Jan 26;17(1):22. doi: 10.1186/s13244-025-02189-x.