复旦中山医院联合阿里达摩院用AI检测淋巴结转移

复旦大学附属中山医院黄新生、沈纳团队联合阿里达摩院成功研发了名为DeepENE的深度学习诊断工具，该工具采用创新的双流2.5D多尺度深度特征融合和联合优化网络架构，能有效融合淋巴结的局部和全局特征，实现对喉癌、下咽癌患者淋巴结状态的精准识别。

DeepENE模型通过深度学习技术，能够在治疗前CT影像中准确识别淋巴结包膜外侵犯(ENE)，这一技术突破解决了传统人工判读中ENE诊断难度大、准确率低的临床痛点。该模型不仅能够区分良性淋巴结与转移性淋巴结，还能进一步识别转移性淋巴结是否存在包膜外侵犯，为临床治疗决策提供关键依据[1]。

该研究为回顾性多中心研究，纳入了复旦大学附属中山医院耳鼻咽喉头颈外科的289例喉癌、下咽癌患者的1954枚经病理证实的淋巴结，以及32例口腔鳞癌患者的409枚淋巴结，构建了训练集、验证集和内部测试集，并收集三家外部机构的患者队列作为外部测试集。

DeepENE在性能测试中展现出卓越表现：

• 在内部测试集中，诊断ENE的ROC曲线下面积(AUC)达0.93
• 在三个外部喉癌、下咽癌测试集中，AUC分别达到0.96、0.87和0.90，整体表现稳定优异
• 在外部测试集2中，AUC达0.87（专家平均0.66），敏感性78%（专家平均36%）
• 在外部测试集3中，敏感性80%（专家平均46%），特异性保持在90%的较高水平
• 即使在淋巴结转移区域不同的口腔鳞癌患者中，DeepENE仍保持良好性能，ENE诊断ROC AUC达0.82

淋巴结包膜外侵犯(ENE)的术前精准诊断对癌症治疗决策至关重要，新版AJCC指南已将ENE阳性列为N3b期，直接影响治疗方案选择，包括手术范围、放疗剂量和化疗方案等。

DeepENE的临床应用将为喉癌、下咽癌患者带来多重获益：术前精准识别ENE状态，可帮助医生制定个性化治疗方案；精准的ENE分层也能优化临床研究设计，助力针对性治疗策略的研发。该工具的出现有效解决了传统人工判读的诸多痛点，有望协助临床医生对ENE淋巴结进行术前精准诊断，提高治疗效果和患者预后。

研究团队表示，未来将进一步推进该模型的临床转化，将其整合到现有临床工作流程中，开展前瞻性研究验证其在真实世界临床决策中的价值。目前，类似AI辅助诊断系统已在中山医院体检中心试运行阶段，为医疗AI的临床落地开辟了新范式[1]。