Role of 18F-FDG PET/CT radiomics in predicting lymph node metastasis and prognosis in oral squamous cell carcinoma.

結合三項特定的 GLCM 放射組學特徵與臨床 cT、cN 分期，能將 18F-FDG PET/CT 診斷頸部淋巴結轉移的準確率推升至 81.5 %，直接超越傳統視覺判讀的 74.6 %。這套影像分析模型不僅強化了淋巴結的鑑別能力，更將患者整體生存率的預測 C-index 從常規的 0.630 顯著拉高至 0.716。

口腔鱗狀細胞癌與常規 18F-FDG 判讀邊界

探討口腔鱗狀細胞癌的影像評估時，頸部淋巴結轉移（LNM）的精準偵測往往是決定手術範圍與後續治療計畫的關鍵。傳統上，臨床多仰賴 18F-FDG PET/CT 影像中的標準化攝取值與形態學特徵來進行淋巴結的良惡性判別。然而，單純依賴放射科或核子醫學科醫師的視覺評估，面對微小轉移或伴隨發炎反應的反應性增生時，其鑑別能力存在先天上的物理限制。這種常規的視覺影像評估模式，雖然在巨觀病灶的捕捉上具備高度敏感性，但對於腫瘤內部的微觀異質性卻難以進行量化解析。這也直接反映在本篇研究的對照組數據中，傳統視覺 PET/CT 評估的準確率僅停留在 74.6 %。

為了突破這層診斷天花板，研究團隊將目光轉向了影像像素背後隱藏的龐大数据。他們回溯性地收錄了 130 位接受過手術治療的口腔鱗狀細胞癌患者，並試圖從這些既有的 18F-FDG PET/CT 影像中，挖掘出肉眼無法察覺的紋理特徵。放射組學（Radiomics）的核心概念，正是將醫療影像轉換為高維度的可挖掘數據，藉由數學模型來量化腫瘤內部的代謝分佈狀態。透過這種非侵入式的影像特徵擷取技術，原發腫瘤的每一個像素強度、空間排列與分佈不均勻度，都成為了預測淋巴結是否發生轉移的潛在指標。這項研究的目標非常明確，即是開發並驗證基於 18F-FDG PET/CT 放射組學的模型，藉此預測患者的頸部淋巴結轉移以及後續的預後生存狀態。

107項特徵萃取與 LASSO 演算法的篩選機制

進入實質的影像處理階段，研究人員首先聚焦於患者的原發性腫瘤區域，進行嚴格的感興趣區域（ROI）圈選與分割。從這 130 位患者的腫瘤影像中，系統總共萃取出了高達 107 項的放射組學特徵。這些特徵涵蓋了從基礎的一階統計學（如均值、偏度、峰度）到高階的紋理特徵，每一項都在試圖描繪腫瘤細胞在 FDG 攝取上的代謝異質性。然而，當特徵數量（107項）逼近甚至可能干擾樣本數（130例）時，模型極易產生過度擬合（Overfitting）的風險。為了從這片數據汪洋中找出最具預測價值的關鍵少數，必須仰賴強大的降維與特徵選擇工具。

把焦點轉向統計學的處理流程，研究團隊導入了 LASSO（最小絕對縮減與選擇平移，特徵選擇演算法） 迴歸以及隨機森林演算法。LASSO 演算法透過對迴歸係數施加懲罰項，能夠強制將那些對預測貢獻度極低或具有高度共線性的特徵係數壓縮至零，從而實現精準的變數篩選。與此同時，隨機森林演算法則透過建立多個決策樹並進行總和評估，進一步確認這些被挑選出來的影像特徵在面對複雜非線性關係時的穩定度。這種雙管齊下的特徵篩選機制，確保了最終進入預測模型的參數，都是經過嚴格數學考驗、且最能反映腫瘤生物學特性的高純度指標。這不僅降低了後續計算的複雜度，更是確保預測模型能夠在不同患者群體間保持泛化能力的必要步驟。

整合 GLCM 的 LNM 模型準確率達 81.5 %

若細看最終建構出的淋巴結轉移（LNM）多變量邏輯斯迴歸診斷模型，可以發現它精準地鎖定了三項關鍵的放射組學特徵，且全數屬於 GLCM（灰階共生矩陣，紋理特徵指標） 類別。這三項特徵分別是 GLCM_Correlation、GLCM_Imc1（Information Measure of Correlation 1）以及 GLCM_JointEnergy。GLCM_Correlation 主要反映影像像素在特定方向上的線性相依程度；GLCM_Imc1 用於量化影像紋理的複雜度與資訊熵；而 GLCM_JointEnergy 則與影像整體的均勻度與平滑度高度相關。當腫瘤內部的 FDG 攝取呈現高度不均勻、代謝極度紊亂時，這三項指標會出現顯著的數值波動，而這種微觀的代謝混亂往往暗示著腫瘤具有更強的侵襲性與淋巴結轉移潛力。

除了這三項純粹的影像訊號，該模型更進一步融合了兩項關鍵的臨床特徵：臨床 T 分期（cT）與臨床 N 分期（cN）。影像特徵與臨床參數的結合，產生了極佳的協同效應。根據數據顯示，這個整合型的 LNM 診斷模型在驗證中達到了 0.856 的 AUC（曲線下面積，評估預測模型綜合效能指標），並展現出 81.5 % 的整體準確率。對比之下，僅依賴常規視覺評估的 PET/CT 診斷準確率僅有 74.6 %。這將近 7% 的準確率提升，意味著有更多隱匿型的頸部淋巴結轉移能夠在手術前被精確攔截，大幅減少了臨床上可能出現的假陰性判讀，為外科醫師在擬定頸部廓清範圍時提供了更為堅實的影像科學依據。

Cox 迴歸預測 OS 與 DFS 的 C-index 表現

探討完初期的診斷效能後，研究將時間軸拉長，檢視這些影像特徵在預後評估上的長期價值。團隊建構了多變量 Cox 迴歸模型，分別針對患者的 OS（整體生存期，從診斷到死亡時間） 與 DFS（無病生存期，無復發存活時間） 進行追蹤與預測。在存活分析的領域中，評估模型優劣的關鍵指標是 C-index（一致性指數，評估存活模型準確度），數值越接近 1 代表模型預測患者生存排序的正確率越高。原有的 TNM 分期系統雖然是目前臨床的黃金標準，但在面對個體差異極大的口腔鱗狀細胞癌時，其預測能力仍有其侷限。

從實際的統計結果來看，整合了放射組學與臨床特徵的聯合預測模型，在生存期預測上展現了壓倒性的優勢。對於整體生存期（OS）的預測，聯合模型的 C-index 達到了 0.716，相較之下，單純使用 TNM 分期的 C-index 僅有 0.630。而在無病生存期（DFS）的預測方面，聯合模型的 C-index 亦高達 0.683，同樣顯著超越了 TNM 分期的 0.594。更重要的是，這套預後模型能夠成功地將所有患者劃分為高風險組與低風險組，兩組之間的實際生存時間差異在統計學上達到了極高的顯著性（p < 0.01）。這代表透過術前單一次的 18F-FDG PET/CT 掃描，結合放射組學的深度運算，醫療團隊不僅能看清當下的轉移狀態，更能預見患者未來的復發風險軌跡。

模型多維度驗證與 TNM 系統的輔助潛力

為了證明這些漂亮數據並非偶然，研究團隊針對模型的效能進行了多維度的嚴格檢驗。除了上述提到的 ROC 曲線與 C-index 之外，他們還導入了校準曲線（Calibration curves）與決策曲線（Decision curve）分析。校準曲線的結果證實，模型預測的淋巴結轉移機率與實際發生的機率之間具有高度的一致性，並未出現嚴重的高估或低估現象。而決策曲線則從臨床實務的視角切入，證明了在廣泛的閾值機率範圍內，使用這套放射組學模型來引導臨床決策，能夠為患者帶來實質的淨收益（Net benefit），這也是評估一個預測模型能否真正落地應用的關鍵考量。

作者在文末明確指出，18F-FDG PET/CT 放射組學不僅顯著提升了頸部淋巴結轉移的診斷準確率，它更具備了作為現行 TNM 分期系統「補充組件」的龐大潛力。這項技術無需改變現有的 PET/CT 掃描參數（如注入劑量、掃描時間或床位設定），而是將重心放在後端影像數據的深度再利用。儘管這是一項回溯性的研究，且樣本數（130例）仍有進一步擴大的空間，但其結果已充分展現了 PET/CT 放射組學在淋巴結診斷與預後預測上邁向臨床轉譯的強大動能。未來，隨著自動化特徵萃取軟體的成熟，這類整合型模型將有望直接嵌入放射科的影像工作站中，提供更為客觀的數據支援。

18F-FDG PET/CT 結合 GLCM 放射組學與臨床特徵，可將淋巴結轉移預測準確率提升至 81.5%，並顯著優化 OS/DFS 存活評估，具備輔助 TNM 分期的臨床價值。