人工智能在鼻咽癌诊疗中的应用研究进展

【摘要】鼻咽癌作为头颈部常见的恶性肿瘤之一，早期诊断和精准治疗至关重要。随着人工智能技术的快速发展，其在医疗领域的应用日益广泛，尤其在鼻咽癌的诊疗中显示出巨大潜力。人工智能技术可以深度挖掘影像数据与鼻咽癌诊断、治疗及预后等方面的关系，在鼻咽癌精准医学领域有着广阔的应用前景。尽管目前人工智能在鼻咽癌诊疗中的应用仍处于研究阶段，但未来的发展方向将更加注重模型的泛化能力、多中心数据的验证及与临床工作流程的整合。预计人工智能技术将显著提升鼻咽癌的诊疗效率和准确性，为患者带来更为精准的治疗方案。现就人工智能在提高疾病早期诊断准确性、治疗及评估患者预后等方面的进展进行综述，特别是支持向量机、随机森林等机器学习算法在分析临床数据和生物标志物建立预后模型方面的应用进行综述，为疾病的个性化治疗策略制定提供了新的指导。

【关键词】人工智能 ; 鼻咽癌 ; 机器学习算法 ; 诊断

【中图分类号】R766.3 【文献标识码】A 【文章编号】2096-3718.2024.21.0127.06

DOI：10.3969/j.issn.2096-3718.2024.21.040

鼻咽癌通常在咽隐窝区域较为常见，常采用内镜检查，随后对可疑区域进行活检。但是由于鼻咽部解剖结构的特殊性，内镜活检可能无法检测到隐藏在咽隐窝黏膜下或外侧的微小肿瘤，同时鼻咽癌的早期症状不典型，通常在疾病进展晚期才显现，使得早期诊断变得尤为困难，导致大多数情况下，鼻咽癌患者在确诊时已处于中晚期阶段，预后不佳[1]，这也凸显了早期诊断的重要性。鼻咽癌对电离辐射高度敏感，放疗是主要治疗手段，Ⅰ期鼻咽癌可单独放疗，Ⅱ ～ Ⅳ B期可同步放化疗或联合辅助化疗（AC），或先诱导化疗（IC）后进行同步放化疗。随着调强放疗技术应用，鼻咽癌患者局部控制率和5年生存率显著提高，均可达80%以上，但10%～20%的患者仍会发生复发、转移[2]，因此鼻咽癌的预后预测研究具有重要意义。

现如今，人工智能在鼻咽癌的诊断、治疗及预后预测方面的研究日益深入。医疗人工智能主要划分为虚拟和物理两大领域。在虚拟领域，深度学习和机器学习技术发挥着核心作用，其为开发高效的计算机辅助诊断系统提供了坚实的技术基础[3]。近期研究表明，人工智能技术在鼻咽癌的诊断和治疗中的应用，能够显著提高患者的早期诊断率，改善预后[4]。本文介绍了人工智能在鼻咽癌诊疗中的研究进展，包括人工智能在提高疾病早期诊断准确性、评估患者预后及预测治疗反应等方面的应用，探讨支持向量机、随机森林等机器学习算法在分析临床数据和生物标志物建立预后模型方面的应用，以期为人工智能技术对鼻咽癌的临床诊疗提供参考依据。

1 人工智能技术与机器学习算法

近年来，许多医学成像技术，如超声、CT、MRI及正电子发射计算机断层扫描（PET）等的成像信息均可以被人工智能识别并进行定量评估。人工智能在规避主观判断的同时，也能帮助医师在临床实践中做出准确和快速的影像诊断，并大幅减少工作量。传统机器学习算法作为人工智能技术的一种应用，主要依赖于预先定义的特征工程[5]。例如肿瘤的特征可以通过计算机程序进行量化分析，量化后的特征被输入到机器学习模型中，以便辅助医师对患者进行分类诊断和临床决策。目前，传统机器学习涵盖了多种成熟的方法，包括k-最近邻、支持向量机、随机森林等，可根据研究的特征向量构建预测模型，实现疾病诊断或预后的预测[6]。传统机器学习算法的性能在很大程度上受到所选取特征质量的影响，这一特点决定了其效能表现与特征工程的优劣紧密相关。当选取的特征能够精确捕捉到鼻咽癌的关键病理特点、影像学表现或患者临床信息，并与鼻咽癌的诊断、分期或预后评估任务高度相关时，机器学习模型便能发挥其卓越的性能，为医师提供更精确、更可靠的辅助决策支持；反之，如果特征选择不当，可能会导致临床决策的误导，从而对患者的治疗和管理带来不利影响[7]。

深度学习作为机器学习的一个子集，其基于模仿人脑神经网络结构的算法，能够自动学习特征，并执行图像分类和任务处理，在鼻咽癌的诊断治疗中也具有重要意义。深度学习在一定程度上规避了机器学习需要的人工干预和对高质量特征的依赖，常用的深度学习算法包括人工神经网络、深度神经网络、卷积神经网络及循环神经网络等，不同的深度学习算法具有不同的特性和应用场景。翁敬锦等[8]基于卷积神经网络实现了对鼻咽癌窄带成像图像诊断，且与两名内镜专家的诊断结果比较，差异无统计学意义，识别时间为0.1 s/张。但由于深度学习的参数会通过多个层次的非线性处理进行复杂的数据转换，虽然在处理数据时表现出色，但从模型中直接提取可解释的信息更困难，模型的决策过程难以被直观理解。而机器学习模型因决策过程相对直观，可以通过特征权重、决策树路径等方式进行解释，便于医师理解模型的决策依据，以确保诊断的准确性和可信度，加之其构建参数优化、计算部署等成本更低，因此包括支持向量机、随机森林等机器学习算法仍是鼻咽癌诊疗研究的主要方向。

2 人工智能在鼻咽癌诊断中的应用

目前，鼻咽癌的诊断主要通过内窥镜观察可疑组织部位并进行活检。既往研究中均利用大量鼻咽内窥镜图像开发了不同的人工智能模型，以区分鼻咽癌与鼻咽良性增生，如LI等[9]则利用27 536张白光成像的鼻咽镜图像，开发了一个深度学习模型，用于鼻咽癌的检测，该报告称，其在回顾性和前瞻性测试集上的准确率分别为88.7%和88.0%，这表明该模型能够有效地辅助医师在鼻咽内窥镜检查中识别鼻咽癌，提高诊断的准确性和效率。而KE等[10]基于4 100例受试者成功开发并验证了一种基于自约束3D DenseNet架构的深度学习双任务模型，在检测鼻咽癌方面总体准确率、敏感性及特异性甚至高于经验丰富的放射科医师（分别为97.77% vs 95.87%，99.68% vs 99.24%，91.67% vs 85.21%），能够提高早期诊断率和减少漏诊。此外，SHU等[11]研究创新性地将多层拉曼特定卷积神经网络与光纤拉曼光谱内窥镜系统相结合，在识别鼻咽癌整体诊断准确率达到了82.09%（敏感性92.18%，特异性73.99%），同时还进一步通过分析拉曼光谱数据，揭示了与癌症相关的特定生物分子变化，不仅可用于鼻咽癌患者的快速筛查和监测，并且也可以部署用于治疗后鼻咽癌患者的长期随访监测，以便在头颈部检测早期癌症复发。在针对传统内窥镜检查往往容易漏诊的表面黏膜病变方面，XU等[12]收集了4 783张鼻咽镜图像进行设计并训练了一个孪生深度卷积神经网络，该网络能够利用白光和窄带成像图像来提高区分表面黏膜病变的性能，模型的整体准确率和敏感性分别为95.7%和97.0%，能够弥补传统内窥镜检查的漏诊问题。可见，人工智能与内窥镜技术的结合在鼻咽癌诊断领域取得了显著成果，不仅提高了诊断的准确性和效率，还拓展了诊断的广度和深度。

病理活检是目前鼻咽癌诊断的金标准，但由于大多数样本中非角化性癌的分化程度低且混有大量淋巴细胞，使得活检样本的诊断结果往往具有主观性，导致观察者之间的差异，影响诊断效率。对此，有研究收集了726个鼻咽活检样本，基于ResNeXt深度神经网络架构，训练出了识别鼻咽癌的图像块的块级诊断模型，并在块级模型的基础上，进一步开发了完整影图模型，对所有块级模型的识别信息与逆行整合等，通过接收者操作特征曲线下面积（AUC）评估发现模型的AUC达到了0.9900，而在幻灯片级别上，模型的AUC为0.9848，展现出了在病理组织中识别鼻咽癌的有效性[13]。而DIAO等[14]则收集了1 970张病理图，采用卷积神经网络Inception-v3并将其训练为能识别和分类慢性鼻咽炎、淋巴组织增生和鼻咽癌的诊断模型。在三个图像类别上的AUC分别为0.905（慢性鼻咽炎）、0.972（淋巴组织增生）和0.930（鼻咽癌），其在测试集上的平均AUC为0.936，与初级和中级病理学专家相比表现更优。

由于鼻咽癌和鼻咽部良性增生早期局限于鼻咽部，CT、MRI等难以辨别，而人工智能的加入提高了早期识别鼻咽癌的能力。如WONG等[15]研究通过分析412例经鼻咽活检确认的原发性鼻咽癌与鼻咽部良性增生患者，利用患者治疗前的T2加权磁共振图像，构建了一种残差注意力网络模型，用以区分鼻咽部的良性与早期恶性组织，该模型在敏感性、特异性及准确率方面表现出色，分别达到了92.4%、90.6%、91.5%。而YANG等[16]则通过弱监督深度学习方法预测了鼻咽癌患者的T分期，验证数据集中预测准确率达到了75.59%，同时分析结果显示，该模型对于患者无进展生存期和总生存期的预估与TNM分期在统计学上没有显著差异，表明了深度学习技术在从影像资料中提取丰富定量信息方面将发挥关键作用。

人工智能技术在鼻咽癌的诊断中展现出了巨大的潜力和优势。通过与内窥镜、病理活检图像及医学影像技术的深度融合，人工智能不仅显著提高了鼻咽癌诊断的准确性和效率，还克服了传统诊断方法中的主观性和局限性，这不仅为临床提供了更为精准的诊断工具，也为鼻咽癌的早期发现、治疗和预后评估开辟了新的路径。

3 人工智能在鼻咽癌治疗中的应用

鼻咽癌的治疗目前主要包括放射治疗、化学治疗、手术治疗及这些疗法的综合应用[17]。而由于鼻咽癌的生长位置特殊，难以通过手术切除，因此放射治疗是鼻咽癌的首选治疗方法，而勾画肿瘤靶区和影像学图像质量等均是影响患者放疗的主要障碍[18]。图像质量受限于机器性能和为减少人体辐射的考虑，但人工智能技术的应用为提升图像质量提供了新的可能性。例如，CHEN等[19]通过应用深度学习算法，成功地创建了合成千伏CT图像，在实体模型研究中较传统兆伏CT图像展现出更佳的信噪比及更优的图像一致性和对比度特性。LI等[20]则运用深度卷积神经网络技术，从锥形束CT数据中合成CT图像，并将其有效应用于鼻咽癌的放射治疗剂量计算，证实了合成图像在临床剂量计算中的实用性。此外，还有研究开发了一种创新的深度卷积神经网络模型，该模型能够根据MRI图像合成CT图像，用于鼻咽癌患者的调强质子治疗计划，其中合成图像的伽马通过率在严格标准下（3 mm/3%）均达到了超过97.32%的高比率[21]。总之，人工智能对于图像质量的提升确保了放射治疗的安全性和有效性，减少了因图像质量不足可能导致的治疗误差。

在放射治疗的临床应用中，精确地在CT图像上描绘治疗靶区和危及器官是至关重要的步骤，该步骤通常由医师手动操作完成，而为了提升这一过程的效率和准确性，目前已经开发了多种基于深度学习的自动分割算法。相关研究开发/改进U-net模型来更精确地描绘鼻咽癌的治疗靶区，经训练后Dice系数可达0.8以上（0.827～0.840），为实现自动化的分割技术提供了可能性，有助于提高放疗计划的质量和效率[22]。还有研究结合了改良的递归特征选择方法和经典随机森林算法，提出了名为改良随机森林递归特征选择的新颖特征选择算法，可用于训练识别鼻咽癌图像的边缘，准确率可达96.7%，并发现该算法在鼻咽癌患者的T1加权磁共振图像分割任务上优于深度学习方法，提示了特定医学图像处理任务中，通过结合创新的特征选择方法的传统机器学习算法依然具有竞争力和应用潜力[23]。

对比CT图像，MRI图像具有更明显的软组织对比度，可以进一步肿瘤靶区的准确分割提供了有力支持。LIN等[24]基于1 021例鼻咽癌患者的数据采用VoxResNet构建了一个3D卷积神经网络架构，用于自动描绘原发性大体肿瘤体积，Dice系数可达0.79。还有研究创新性地采用具备长距离跳跃连接和多尺度特征金字塔的3D卷积神经网络用于鼻咽癌的分割，该模型在测试中Dice系数为0.737 DSC [25]。而YE等[26]则采用密集连接的U-net和双序列MRI图像，开发了一种全自动鼻咽癌分割方法，7例鼻咽癌患者的平均Dice系数为0.87。但LUO等[27]研究则发现在深度学习模型结合增强策略后，在MRI图像上对鼻咽癌进行大体肿瘤体积分割的精度优于广泛使用的nnU-net（由2D UNet、3D UNet和U-Net Cascade组成）。而考虑到鼻咽癌的高恶性和侵袭性，以及MRI环境中肿瘤组织与正常组织边界的模糊性。还有研究开发了一种“从粗到细”的深度神经网络模型，通过两步走的方式，先预测粗略的掩码快速确定肿瘤的大致位置，然后通过边界渲染模块利用从不同层次的特征映射中提取的语义信息慢慢调整边界，使之更加精确地贴合肿瘤的实际形状，该模型在一个包含596例患者的2 000个MRI切片的数据集上，该模型的Dice系数达到了0.703，具有良好的图像分割效果[28]。

人工智能技术在鼻咽癌的放射治疗领域展现出了巨大的潜力和优势。影像学图像质量的提升确保了治疗的精准性，而高效的自动分割算法则显著提高了靶区和危及器官勾画的准确性和效率，减少了因人为因素或图像质量不足可能带来的治疗误差，提高了治疗效果和患者的生存率。

4 人工智能在评估治疗预后中的应用

鼻咽癌患者预后预测涉及多个变量，包括临床信息、病理特征、治疗策略等，这些变量往往构成高维数据集。而传统的TNM/美国癌症联合会（AJCC）分期系统无法提供预期的预后效果和预测患者进展。相比之下，人工智能可以通过处理数据和分析重要特征来准确预测癌症生存时间和进展。有许多研究采用支持向量机构建了放射组学机器学习模型来预测疾病进展，且在研究中均表现出良好的性能[29-30]。也有研究认为，随机森林算法相比于其他机器学习算法，在处理高维数据并评估变量、处理不平衡数据集、通过多棵树的集成减少模型的偏差，提高预测准确性等方面显示出一定优势[31]。如PEI等[32]基于294例接受治疗前MRI检测的局部晚期鼻咽癌患者，以及对其放射组学特征的提取，发现随机森林模型在训练队列和测试队列中预测3年和5年模型的AUC值分别为0.899和0.861，显著高于其他三种Cox回归模型。同样也有研究指出了Cox回归模型在鼻咽癌患者生存预后方面的准确性不足，基于随机生存森林和生存支持向量机，利用SEER数据库中

1 683例鼻咽癌患者数据，开发了一个专门针对鼻咽癌患者的生存预测系统，C-index相比Cox回归模型更高（0.785对比0.721）[33]。XUE等[34]则采用随机森林模型选出了与鼻咽癌患者总体生存显著相关的三个最重要的特征，包括中性粒细胞与淋巴细胞比率、血红蛋和EB病毒DNA；在训练和验证集中，该模型的C-index指数分别为0.733（95%CI值0.673～0.793）和0.772（95%CI值0.691～0.853），显著高于TNM分期等传统预估方法的C-index。还有研究基于利用随机生存森林算法开发了三酰甘油- 炎症评分，结果显示，该评分在训练集的C-index为0.806，在验证集为0.759，在整组为0.808，在预测鼻咽癌患者总生成期方面具有出色的性能[35]。

PET-CT在鼻咽癌复发和远处转移的检测中具有特殊的敏感性、特异性及准确性优势。MENG等[36]创新性地构建了一个基于预处理PET-CT图像的模型，该模型集成了硬共享分割骨干与级联生存网络，通过硬共享分割骨干，模型有效提取了与原发肿瘤紧密相关的区域特征，显著减少了无关背景数据的干扰；级联神经网络进一步挖掘这些肿瘤数据中的预后信息，从而实现了对鼻咽癌患者生存期的精确预测。GU等[37]则开发了一个端到端的多模态深度学习放射组学模型，该模型结合预处理的PET-CT图像与TNM分期系统，从图像中提取深度特征以预测晚期鼻咽癌患者的5年无进展生存，该模型在内、外部队列上均表现出色（AUC分别为0.842和0.823），展示了其高准确性和可靠性。病理图像显示出在构建人工智能预后模型中的潜力。病理图像也可以用来构建人工智能预后模型，有研究将MRI的放射学特征、病理图像的DCNN模型和鼻咽癌患者的临床特征整合在一起，构建了一个多尺度列线图来预测鼻咽癌患者的无失败生存期，观察发现，其在内部和外部试验队列的C指数分别为0.828和0.834 [38]。

人工智能技术在鼻咽癌预后预测中展现出显著优势，特别是随机森林等算法，通过处理高维数据集和识别关键特征，提高了预测准确性。相比传统分期系统，人工智能模型能综合多源信息，如临床、病理、影像及基因数据，实现精准预测，应用前景广阔，有望提升患者治疗效果和后期生存质量。

5 小结与展望

基于目前的研究，可以认为人工智能在鼻咽癌诊疗中具有显著提升早期诊断率、治疗精确性及预后评估准确性的应用价值。在鼻咽癌的早期诊断方面通过深度学习和机器学习算法，能够处理超声、CT、MRI等医学影像数据，提高对可疑组织的识别能力；在治疗方面为自动分割治疗靶区和危及器官、提高放疗的精确性和效率等方面提供了可能性；在预后评估方面通过分析临床数据、病理特征及治疗策略等多个变量，能够预测鼻咽癌患者的预后，随机森林等机器学习算法在处理高维数据集和识别关键特征方面表现出色，有助于构建精确的预后模型。但人工智能模型的训练和验证需要大量高质量的标注数据，而这些数据的获取和处理可能涉及隐私保护和数据安全问题，需要符合相关法律法规及伦理批准。此外，人工智能模型的泛化能力、跨中心数据的验证及与现有临床工作流程的整合也是当前研究的重点，还需注意算法黑箱带来的解释性难题。未来，随着技术的进步和法规的完善，预计人工智能将在鼻咽癌的早期诊断、治疗计划和预后评估中发挥更大的作用。

人工智能技术有望进一步整合到鼻咽癌的诊疗全流程中，从辅助诊断到个性化治疗，再到长期随访，实现全周期管理。同时，随着深度学习算法的不断优化和计算能力的提升，人工智能模型的准确性和效率将得到显著提高。此外，跨学科合作，包括医学、计算机科学、生物信息学等领域的深入合作，将推动人工智能在鼻咽癌诊疗中的应用，为患者提供更精准、更个性化的治疗方案。随着法规的完善和伦理的指导，人工智能技术的临床应用将更加规范化，确保患者利益和数据安全。预计人工智能技术将为鼻咽癌患者带来更加精准的诊疗服务，显著提高患者治疗效果和生活质量。

参考文献

TANG L L， CHEN Y P， CHEN C B， et al. The Chinese Society of Clinical Oncology （CSCO） clinical guidelines for the diagnosis and treatment of nasopharyngeal carcinoma[J]. Cancer Commun （Lond）， 2021， 41（11）： 1195-1227.

LIANG H， XIANG Y Q， LV X， et al. Survival impact of waiting time for radical radiotherapy in nasopharyngeal carcinoma： A large institution-based cohort study from an endemic area[J]. Eur J Cancer， 2017， 73： 48-60.

曾华堂， 柯夏童， 伍丽群， 等. 人工智能在医疗质量管理中应用现状和效果范围综述[J]. 中国医院管理， 2023， 43（8）： 21-26.

NG W T， BUT B， CHOI H C W， et al. Application of artificial intelligence for nasopharyngeal carcinoma management-a systematic review[J]. Cancer Manag Res， 2022， 14： 339-366.

CHOI R Y， COYNER A S， KALPATHY-CRAMER J， et al. Introduction to machine learning， neural networks， and deep learning[J]. Transl Vis Sci Technol， 2020， 9（2）： 14.

SULTAN A S， ELGHARIB M A， TAVARES T， et al. The use of artificial intelligence， machine learning and deep learning in oncologic histopathology[J]. Oral Pathol Med， 2020， 49（9）： 849-856.

杨晨， 林勤. 深度学习在鼻咽癌影像及图像分析中应用的研究进展[J]. 癌症， 2022， 41（9）： 425-433.

翁敬锦， 韦嘉章， 韦云钟， 等. 卷积神经网络对鼻咽癌窄带成像图像诊断的研究[J]. 临床耳鼻咽喉头颈外科杂志， 2023， 37（6）： 483-486.

LI C F， JING B Z， KE L， et al. Development and validation of an endoscopic images-based deep learning model for detection with nasopharyngeal malignancies[J]. Cancer Commun （Lond）， 2018， 38（1）： 59.

KE L， DENG Y， XIA W， et al. Development of a self-constrAIned 3D DenseNet model in automatic detection and segmentation of nasopharyngeal carcinoma using magnetic resonance images[J]. Oral Oncol， 2020， 110： 104862.

SHU C， YAN H S， ZHENG W， et al. Deep learning-guided fiberoptic raman spectroscopy enables real-time in vivo diagnosis and assessment of nasopharyngeal carcinoma and post-treatment efficacy during endoscopy[J]. Anal Chem， 2021， 93（31）： 10898-10906.

XU J W， WANG J， BIAN X Z， et al. Deep learning for nasopharyngeal carcinoma identification using both white light and narrow-band Imaging endoscopy[J]. Laryngoscope， 2022， 132（5）： 999-1007.

CHUANG W Y， CHANG S H， YU W H， et al. Successful identification of nasopharyngeal carcinoma in nasopharyngeal biopsies using deep learning[J]. Cancers （Basel）， 2020， 12（2）： 507.

DIAO S H， HOU J， YU H， et al. Computer-aIded pathologic diagnosis of nasopharyngeal carcinoma based on deep learning[J]. Am J Pathol， 2020， 190（8）： 1691-1700.

WONG L M， KING A D， AI Q Y H， et al. Convolutional neural network for discriminating nasopharyngeal carcinoma and benign hyperplasia on MRI[J]. Eur Radiol， 2021， 31（6）： 3856-3863.

YANG Q， GUO Y， OU X M， et al. Automatic tagging using weakly supervised deep learning for nasopharyngeal carcinoma on MRI images[J]. J Mag Reson Imaging， 2020， 52（4）： 1074-1102.

谢民强. 鼻咽癌治疗研究进展[J]. 中国耳鼻咽喉颅底外科杂志， 2023， 29（6）： 1-10.

康敏. 中国鼻咽癌放射治疗指南（2022版）[J]. 中华肿瘤防治杂志， 2022， 39（9）： 611-622.

CHEN X Y， YANG B， LI J W， et al. A deep-learning method for generating synthetic kV-CT and improving tumor segmentation for helical tomotherapy of nasopharyngeal carcinoma[J]. Phys Med Biol， 2021， 66： 224001.

LI Y， ZHU J， LIU Z， et al. A preliminary study of using a deep convolution neural network to generate synthesized CT images based on CBCT for adaptive radiotherapy of nasopharyngeal carcinoma[J]. Phys Med Biol， 2019， 64（14）： 145010.

CHEN S P， PENG Y L， QIN A， et al. MR-based synthetic CT image for intensity-modulated proton treatment planning of nasopharyngeal carcinoma patients[J]. Acta Oncol， 2022， 61（11）： 1417-1424.

XUE X D， QIN N N， HAO X Y， et al. Sequential and iterative auto-segmentation of high-risk clinical target volume for radiotherapy of nasopharyngeal carcinoma in planning CT images[J]. Front Oncol， 2020， 10： 1134.

FEI Y C， ZHANG F Y， ZU C， et al. MRF-RFS： A Modified random forest recursive fFeature selection algorithm for nasopharyngeal carcinoma segmentation[J]. Methods Inf Med， 2020， 59（5）： 151-161.

LIN L， DOU Q， JIN Y M， et al. Deep learning for automated contouring of primary tumor volumes by MRI for nasopharyngeal carcinoma[J]. Radiology， 2019， 291（3）： 677-686.

GUO F， SHI C， LI X.， et al. Image segmentation of nasopharyngeal carcinoma using 3D CNN with long-range skip connection and multi-scale feature pyramid[J]. Soft Comput， 2020， 24： 12671-12680.

YE Y F， CAI Z Y， HUANG B， et al. Fully-automated segmentation of nasopharyngeal carcinoma on dual-sequence MRI using convolutional neural networks[J]. Front Oncol， 2020， 10： 166.

LUO X D， LIAO W J， HE Y， et al. Deep learning-based accurate delineation of primary gross tumor volume of nasopharyngeal carcinoma on heterogeneous magnetic resonance imaging： A large-scale and multi-center study[J]. Radiother Oncol， 2023， 180： 109480.

LI Y，PENG H， DAN T T， et al. Coarse-to-fine nasopharyngeal carcinoma segmentation in MRI via multi-stage rendering[C]. //2020 IEEE International Conference on Bioinformatics and Biomedicine： IEEE International Conference on Bioinformatics and Biomedicine （BIBM 2020）， 16-19 December 2020， Virtual Event， Seoul， Korea （South）.：Institute of Electrical and Electronics Engineers， 2020： 623-628.

ZHUO E H， ZHANG W J， LI H J， et al. Radiomics on multi-modalities MR sequences can subtype patients with non-metastatic nasopharyngeal carcinoma （NPC） into distinct survival subgroups[J]. Eur Radiol， 2019， 29（10）： 5590-5599.

DU R， LEE V H， YUAN H， et al. Radiomics model to predict early progression of nonmetastatic nasopharyngeal carcinoma after intensity modulation radiation therapy： A multicenter study[J]. Radiol Artif Intell， 2019， 1（4）： e180075.

BECKER T， ROUSSEAU A J， GEUBBELMANS M， et al. Decision trees and random forests[J]. Am J Orthod Dentofacial Orthop， 2023， 164（6）： 894-897.

PEI W， WANG C， LIAO H， et al. MRI-based random survival forest model improves prediction of progression-free survival to induction chemotherapy plus concurrent chemoradiotherapy in locoregionally advanced nasopharyngeal carcinoma[J]. BMC Cancer， 2022， 22（1）： 739.

XIAO Z W， SONG Q， WEI Y K， et al. Use of survival support vector machine combined with random survival forest to predict the survival of nasopharyngeal carcinoma patients[J]. Transl Cancer Res， 2023， 12（12）： 3581-3590.

XUE N， Ou G P， MA W G. et al. Development and validation of a risk prediction score for patients with nasopharyngeal carcinoma[J]. Cancer Cell Int， 2021， 21（1）： 452.

LI J， YE Y X， CAI Y L， et al. Triglyceride-inflammation score established on account of random survival forest for predicting survival in patients with nasopharyngeal carcinoma： A retrospective study[J]. Front Immunol， 2024， 15： 1375931.

MENG M Y， GU B X， BI L， et al. DeepMTS： Deep multi-task learning for survival prediction in patients with advanced nasopharyngeal carcinoma using pretreatment PET/CT[J]. IEEE J Biomed Health Inform， 2022， 26（9）： 4497-4507.

GU B X， MENG M Y， BI L， et al. Prediction of 5-year progression-free survival in advanced nasopharyngeal carcinoma with pretreatment PET/CT using multi-modality deep learning-based radiomics[J]. Front Oncol， 2022， 12： 899351.

ZHANG F， ZHONG L Z， ZHAO X， et al. A deep-learning-based prognostic nomogram integrating microscopic digital pathology and macroscopic magnetic resonance images in nasopharyngeal carcinoma： A multi-cohort study[J]. Ther Adv Med Oncol， 2020， 12： 1758835920971416.