口腔癌是世界上最常见的恶性肿瘤之一。根据最近的统计，全球每年报告的口腔癌新发病例超过30万例。其中，口腔鳞状细胞癌(oral squamous cell carcinoma, OSCC)约占全部口腔癌病例的90%。由于口腔独特的解剖结构，口腔癌往往严重影响咀嚼、吞咽、言语、呼吸等重要功能，威胁患者的生活质量，甚至生存。口腔癌恶性潜能高，易复发转移，5年生存率较低，在50-70%之间。因此，探讨口腔癌的预后因素对制定合理的个体化治疗方案具有重要意义。

既往研究表明，炎症反应既发生在肿瘤微环境中，也发生在体循环中，并与多种癌症的发生、发展和预后有关。免疫介质在肿瘤发生、生长、侵袭和转移等多个方面发挥着至关重要的作用。研究证实，循环血细胞计数(如中性粒细胞、淋巴细胞和血小板)和循环炎症相关蛋白(如c反应蛋白和白细胞介素)水平与肿瘤的发生和发展密切相关。外周血免疫指标包括血小板、中性粒细胞、淋巴细胞和单核细胞。中性粒细胞通过基质降解、免疫调节、促进肿瘤细胞增殖和血管生成等途径促进肿瘤进展。血小板可以保护循环肿瘤细胞免受t细胞介导的细胞毒性，而肿瘤细胞通过释放血小板生成因子和血小板激活剂增加和激活血小板数量，从而促进肿瘤的发展。淋巴细胞通过诱导细胞死亡、抑制肿瘤细胞增殖和迁移等机制在肿瘤防御中发挥关键作用。虽然外周血免疫指标在肿瘤发生和发展过程中可能发生变化，但这些指标并非口腔癌所特有。其他疾病或因素也可导致炎症反应的改变。因此，仅依靠这些指标无法对特定肿瘤提供准确的预后评估。此外，提取患者血液样本进行常规血液检查是一种侵入性的过程，会增加患者的不适。因此，在使用术前外周血免疫指标进行口腔癌预后评估时，需要综合考虑各种临床和生物学因素，并将其纳入预测模型，而不能单纯依赖这些指标。

光学相干断层扫描(OCT)是一种无创、高分辨率的光学成像技术，可提供组织的微观结构信息。通过生成组织的三维(3D)图像，OCT可用于评估肿瘤的生物学特征，如肿瘤厚度、浸润深度和血管密度。此外，这些影像学参数为肿瘤患者的预后评估提供了重要信息，在临床实践中得到了广泛的研究和应用。由于OCT成像的显著优势，深度学习技术被用于口腔癌诊断的OCT数据分析。为了说明这一点，Yuan等人设计了一种以局部残差自适应网络为中心的人工智能(AI)方法，利用OCT图像进行口腔诊断。随后，他们引入了一个更复杂的深度学习模型，其中包含了注意机制。与专家相比，这些方法在OSCC的诊断中表现出优越的性能。这些努力清楚地证明了深度学习在口腔癌诊断中的卓越能力，并强调了通过OCT成像进行无创筛查在提供口腔癌宝贵见解方面的潜在价值。鉴于此，本研究旨在利用深度学习技术全面探讨口腔肿瘤学领域预后评估与OCT成像的相关性。此外，还将整合外周血炎症指标数据，进一步提升本研究的研究潜力和实际应用价值。

将外周血炎症指标数据与OCT有效整合，对于从多个角度、多层次建立口腔癌综合预后评估模型，提高口腔癌OCT的诊断和治疗水平至关重要。因此，建立OCT和炎症指标融合分析模型对于智能诊断和治疗口腔癌至关重要，该模型可以识别低风险患者，从而减少过度治疗。如前文所述，本研究前瞻性地利用口腔癌根治患者的临床及OCT资料，旨在评价基于外周血免疫指标的OCT对口腔癌预后的预测价值。

方法：本研究以接受根治性口腔癌切除术的患者为研究对象，探讨临床资料、OCT图像和外周免疫指标与口腔癌预后之间的内在关系。我们首先构建了基于外周血免疫指标的OCT图像深度学习特征表示方法，并进一步整合了基于特征选择和logistic建模的多视图预后放射组学模型。因此，我们可以通过量化OCT特征来评估每个指标对口腔癌的预后影响。

OCT成像程序概述。(C)研究中使用的超高分辨率OCT成像系统示意图。(AB)口腔癌标本的口腔内和离体大体图像。在大体组织图像上用蓝点表示OCT成像位置(a-c)。(D-F)癌变区域(a)、上皮发育不良区域(b)和良性区域(c)对应于(b)所示位置的代表性OCT横截面。

基于获取的OCT图像进行炎症风险预测及预后模型构建

基于mc3的深度学习网络架构

用ROC曲线确定SII、PLR和NLR的最佳临界值

口腔癌患者预后的单因素分析

基于SII (A)和NLR (B)的术前患者生存曲线

深度学习对炎症风险的预测结果

深度学习模型对SII (A)、PLR (B)和NLR (C)预测的ROC表现，以及预后模型的ROC表现(D)。CI表示置信区间

预后模型中特征重要性的可视化，以及SII、PLR、NLR的个体总分

结果：我们收集了68例患者289份口腔黏膜标本，获得1445张OCT图像。基于深度放射组学的预后模型对口腔癌的预后有很好的鉴别效果，受者工作特征曲线下面积(AUC)为0.886，识别出全身免疫炎症指数(SII)是预测预后最具信息量的特征。此外，深度学习模型在SII风险分类方面也取得了85.26%的准确率和0.86 AUC的优异成绩。

结论：本研究有效地将OCT成像与外周血免疫指标相结合，建立了基于深度学习的口腔癌炎症风险预测模型。此外，我们构建了一个综合的多视图放射组学模型，该模型利用深度学习特征进行准确的预后预测。该研究强调了SII作为评估患者预后的关键指标的重要性，证实了我们的临床统计分析。这种整合强调了将成像和血液指标结合在临床决策中的潜力。

原始出处：

Yuan W;  Rao J;  Liu Y;Deep radiomics-based prognostic prediction of oral cancer using optical coherence tomography.BMC Oral Health 24(1)