鼻咽癌（NPC）具有明显的地域分布特征，在东南亚和中国南方地区发病率最高，超过 70% 的新诊断患者初诊时即为局部晚期鼻咽癌（LANPC）。诱导化疗（ICT）在 LANPC 治疗中至关重要，因其能有效降低肿瘤负荷、提高生存率。美国临床肿瘤学会和美国国立综合癌症网络指南均推荐 ICT 作为 LANPC 的一线综合治疗策略。然而，临床研究显示，不同患者对 ICT 的反应存在差异：约 9% 的 LANPC 患者对 ICT 肿瘤反应较差，23%（范围 9 - 33%）的患者无法从 ICT 中获益。此外，约 20 - 30% 的 NPC 患者生存结局不佳（如复发或转移），这与肿瘤对 ICT 的反应密切相关。因此，ICT 反应的差异及其对生存的影响凸显了寻找个性化生物标志物的必要性，该标志物可用于短期和长期预测 ICT 的获益者。

目前，预测 LANPC 肿瘤反应和预后并指导治疗主要依据基于解剖学的肿瘤-淋巴结-转移（TNM）分期系统。但由于肿瘤异质性，一些 TNM 分期和治疗方案相同的 LANPC 患者可能表现出截然不同的肿瘤反应和临床预后。这表明仅依靠传统 TNM 分期系统预测 LANPC 患者的 ICT 获益和预后是不够的。也有其他评估 NPC 肿瘤反应和临床结局的尝试，包括功能磁共振成像和 EB 病毒（EBV）- DNA 检测，但由于假阴性率高，很少有生物标志物能在临床实践中广泛用作个性化治疗的预测工具。因此，开发新的疗效和预后生物标志物以指导个性化治疗迫在眉睫，特别是要筛选出 ICT 的最佳适用人群。

影像组学作为一种新兴分析方法，有望成为预测 LANPC 肿瘤反应和生存情况的分析工具。然而，这些传统影像组学模型大多采用线性且低效的算法构建，缺乏足够的数据集和独立的外部验证队列，其效率和泛化能力缺乏足够说服力。同时，这些模型常被批评为 “黑箱”，因其预测过程不透明、难以解释，在临床实践中应用困难。因此，采用多中心大样本的高效、适用、可解释且具有泛化能力的方法对于评估 LANPC 至关重要。

遗传算法增强的人工神经网络（GNN）是一种经遗传算法优化的准确、高效且稳健的机器学习（ML）方法，在参数调整和优化、处理复杂非线性数据方面能力强大，可显著提升 GNN 模型的性能和泛化能力。此前研究表明，在模型性能上，GNN 优于其他传统方法，如逻辑回归（LR）、随机森林（RF）、支持向量机（SVM）和人工神经网络（ANN）。同时，模型无关解释技术—沙普利加性解释（SHAP）和图像可视化技术（IVT），被广泛用于解释预测结果和阐释特征与目标结局之间的复杂非线性关系。因此，结合 SHAP 和 IVT，GNN 有望成为预测 LANPC 患者 ICT 反应和生存结局的强大且可解释的方法。截至目前，尚无研究使用可解释的 GNN 方法同时预测 LANPC 患者的 ICT 反应和生存情况，也没有针对该 GNN 模型的多中心研究。

最近，发表在European Radiology 上的一篇文章开发并验证一个基于 MRI 的可解释且具有泛化能力的机器学习模型，用于个性化预测局部晚期鼻咽癌（LANPC）患者的诱导化疗（ICT）反应和生存情况。
研究回顾性纳入来自三家医院的 1368 例在 ICT 前接受 MRI 检查的患者，将其分为训练集、内部验证集、外部验证集和跨领域强度验证集。从粗到细筛选出显著的影像组学和临床特征。应用可解释的遗传算法增强人工神经网络（GNN）进行模型开发和验证。评估初级和高级医生在有无模型辅助下预测 ICT 反应的表现。

可解释的 GNN 模型在预测 ICT 反应方面表现出良好的泛化能力，各队列的曲线下面积（AUC）在 0.808 至 0.864 之间。生存分析表明，在所有队列中，由 GNN 影像组学特征和临床因素确定的低风险患者的无进展生存期优于高风险患者（风险比在 3.231 至 12.787 之间，p < 0.05）。有模型辅助时，初级和高级医生预测 ICT 反应的性能显著提高（AUC：分别从 0.686 提高到 0.785，从 0.736 提高到 0.836，p < 0.05）。

表 模型在训练和验证队列中的预测性能

研究表明，基于多中心数据库的可解释、适用且具有泛化能力的 GNN 模型在预测 LANPC 患者的 ICT 反应和生存情况方面表现出色，有助于 LANPC 的个性化治疗。

原文出处：

Hai Liao,Yang Zhao,Wei Pei,et al.An interpretable machine learning model assists in predicting induction chemotherapy response and survival for locoregionally advanced nasopharyngeal carcinoma using MRI: a multicenter study.DOI:10.1007/s00330-025-11396-5