0 引言

       鼻咽癌是一种与爱泼斯坦-巴尔病毒（Epstein-Barr virus, EBV）密切相关的恶性肿瘤，在中国南方、东南亚以及北非地区高发^[1]。鼻咽癌在国内的发病率已至0.0045%，且呈逐年上升的趋势^[2]。大规模Ⅲ期临床试验证实，诱导化疗结合同步放化疗对局部晚期鼻咽癌患者具有显著效果^{[3, 4]}，免疫治疗[如程序性细胞死亡蛋白-1（programmed death-1, PD-1）抗体信迪利单抗]也在局部晚期鼻咽癌中带来生存获益。然而，即使患者接受标准治疗，仍有20%∼25%会出现复发或转移^[5]。因此，早期、准确的预测预后对鼻咽癌患者的个体化治疗和提高患者的生存率至关重要。

       MRI具有较好的软组织对比度，常用于评估原发肿瘤的分期。既往有研究基于功能MRI技术来预测鼻咽癌预后^{[6, 7, 8]}，但这些研究样本量小，且技术可靠性有待验证，导致其临床应用推广受限。随着医工交叉日渐成熟，基于常规MRI的特征识别已从单一形态学分析转向多维度量化评估^[9]。影像组学可通过高通量提取图像中的一阶特征、形态特征及纹理特征^{[10, 11]}，全面量化MRI图像中的多维信息。此外，深度学习通过自动提取影像中的深度特征，在病灶分割、特征提取及模型构建等任务中展现出优异的性能^[12]。然而，目前尚缺乏针对鼻咽癌MRI预测预后的系统性综述。已有相关综述主要关注常规影像特征或单一模型的预测，而未能涵盖深度学习、多组学融合和生境成像等新兴领域。因此，本文综合分析常规MRI的语义特征、影像组学、深度学习和生境成像等方法在鼻咽癌预后预测中的研究进展，探讨其优势与局限，并提出未来研究方向，旨在弥补现有综述的不足，为相关研究提供参考。

1 基于常规MRI语义特征对鼻咽癌患者的预测预后价值

       语义特征是指有经验的放射科医师依据MRI影像视觉观察所获得的定性或半定量描述性指标^[13]。在鼻咽癌MRI评估中，这些特征主要涉及原发肿瘤的侵犯范围（如咽旁间隙、颅底骨质、咀嚼肌间隙）、形态学表现（如坏死）以及转移淋巴结的解剖分布、大小、数量、内部结构（如坏死）和周围侵犯等。然而，部分重要特征（如淋巴结坏死、成簇或融合等）未被分期系统完全采纳。鼻咽癌原发肿瘤的侵犯程度及转移淋巴结的特征被证实具有重要预后预测价值。美国癌症联合委员会（American Joint Committee on Cancer, AJCC）分期系统明确将肿瘤侵犯咽旁间隙及邻近软组织归为T2期，侵犯颅底骨质归为T3期。值得注意的是，多项研究针对第8版分期系统，建议将轻度颅底骨质侵犯（仅侵犯蝶骨基底部和/或翼突基底部）下降至T2期。然第9版鼻咽癌分期系统将晚期淋巴结外侵犯（extranodal extension, ENE）作为新增指标纳入N3分期标准^[14]，T分期尚未更新。

1.1 原发肿瘤MRI语义特征的预测预后价值

       咽旁间隙受侵已被多项研究证实是鼻咽癌预后的独立预测因子。XIE等^[15]对单侧咽旁间隙受侵研究，验证了单侧咽旁间隙受侵不仅表征着肿瘤生物学行为的侵袭性，更与患者5年生存率下降及局部复发风险倍增存在密切关联。值得注意的是，CUI等^[16]通过分层对比研究证实，相较于单侧咽旁间隙侵犯患者，双侧侵犯患者的无进展生存期（progress-free survival, PFS）和总生存期（overall survival, OS）更短。此外，YANG等^[17]最新研究也证实双侧咽隐窝受侵或鼻咽黏膜下浸润性生长的患者存在不良预后。

       咽旁间隙的外侧紧邻颞下窝，肿瘤继续蔓延可累及邻近软组织翼内肌和翼外肌。KANG等^[18]对608例鼻咽癌患者的分析显示，翼内肌受累的患者5年OS与无局部区域复发生存期（local relapse-free survival, LRFS）显著优于同时伴有翼外肌受累者（P<0.05），其风险比（hazard ratio, HR）分别为1.676和3.287；存在咀嚼肌间隙浸润的患者，其OS及LRFS显著低于无咀嚼肌间隙浸润的患者（5年OS：75.6% vs. 86.7%，P=0.043；5年LRFS：81.5% vs. 88.6%，P=0.048）。

       肿瘤向上生长可侵及颅底骨质，有无颅底骨质侵犯以及侵犯程度对患者的预后影响存在差异。一项对1224例鼻咽癌患者的MRI图像研究发现^[19]，存在颅底骨质破坏患者的OS、无转移生存期（distant metastasis free survival, DMFS）及LRFS均显著降低，其预后价值已体现在T3分期标准中。然而，多项研究指出AJCC第8版分期在区分T2与特定类型T3（轻度颅底侵犯）患者的预后方面存在局限。DU等^[20]研究发现，轻度颅底骨质侵犯的T3患者，其OS、无进展生存期和DMFS与T2患者相似（OS：校正HR=1.14，95% CI：0.75~1.74，P=0.537；无进展生存期：校正HR=0.96，95% CI：0.70~1.31，P=0.777）。该研究建议将此类轻度颅底侵犯由T3降级至T2。同样，LI等^[21]通过分析1752例鼻咽癌患者发现，轻度颅底骨质侵犯患者的5年OS（92.3% vs. 81.5%，P=0.001）与PFS（83.0% vs. 71.5%，P=0.002）均显著优于重度颅底骨质侵犯（伴颅内侵犯）。基于此提出的优化分期方案（将轻度侵犯归为T2）在OS预测效能上显著优于第8版（C-index=0.725 vs. 0.713，P=0.046）。肿瘤在生长过程中因缺氧微环境与异常血管生成而发生肿瘤坏死。肿瘤坏死与预后不良相关，坏死的肿瘤细胞可通过改变免疫系统、引发慢性炎症和形成免疫抑制微环境^[22]。SUN等^[23]基于9298例鼻咽癌患者构建的列线图显示，在训练队列中，伴肿瘤坏死患者3年和5年OS的无时间依赖性ROC曲线预测性能优于TNM分期（3年，0.776 vs. 0.642，P<0.001；5年，0.770 vs. 0.644，P<0.001）；并且，模型在两个验证队列中表现出良好泛化能力。

       以上研究证实不同浸润程度的鼻咽癌患者在预后方面存在显著差异。然而，由于颅底解剖结构复杂，即使MRI分辨率持续提升，对微小浸润灶的识别仍然具有挑战性，浸润范围判定高度依赖医生经验，不同医生之间存在明显差异且经验不足者的年轻医生尤为明显。未来研究将探索多模态影像技术和人工智能（artificial intelligence, AI）辅助诊断可能会改善这一不足。

1.2 转移淋巴结MRI语义特征的预测预后价值

       鼻咽癌淋巴结预后相关语义特征可分为已被AJCC分期纳入要素（大小、数量、ENE等）与未纳入特征（坏死、成簇或融合等）两类。前者通过解剖信息与定量参数直接指导分期，后者则从淋巴结内部结构或周围区域补充预后信息，二者均可为鼻咽癌预后评估提供重要依据。

       从解剖学角度，鼻咽癌淋巴结转移通常遵循“阶梯式”扩散路径：原发灶首先转移至咽后淋巴结，继而沿颈部Ⅱ区、Ⅲ区至Ⅳ区纵向扩展，或向咽旁间隙横向蔓延。此外，咽后淋巴结作为鼻咽引流的首站淋巴结，其转移状态直接影响后续颈部淋巴结受累模式。PENG等^[24]纳入1638名鼻咽癌患者发现咽后组转移淋巴结轴位最短径是OS（HR：1.59，P=0.02），PFS（HR：1.63，P<0.001）以及DMFS（HR：1.75，P=0.002）的独立预测因子。而ZHU等^[25]进一步确立咽后淋巴结最小横径6 mm为预后最佳阈值。基于晚期颈部淋巴结ENE的N1/N2患者预后相似，第9版分期系统将其归类为N3。一项研究证实^[26]，具有晚期咽后淋巴结ENE的N1/N2患者比N3患者具有更好的5年OS（HR：0.60，95% CI：0.38~0.93）和无病生存率（HR：0.63，95% CI：0.44~0.92），故现分期系统未将咽后淋巴结晚期ENE纳入N3分期标准。

       除AJCC已纳入的分期要素外，近年研究发现淋巴结坏死（lymph node necrosis, LNN）和淋巴结成簇或融合也具有重要预后价值。微观上，LNN表现为淋巴结内凝固性坏死或囊性变，可能通过诱导缺氧微环境促进肿瘤干细胞富集，导致放化疗抵抗^[27]，最终与原发肿瘤坏死类似，均可导致预后变差。LI等^[28]研究发现，多个颈部淋巴结坏死使患者发生远处转移的风险显著增加（校正后HR=2.05，P=0.020）；同时，也会使患者疾病进展的风险上升（HR=1.78，P=0.004）。ZHAO等^[29]研究表明，LNN多于4个与5年DMFS（HR=1.82，P=0.007）、OS（HR=1.65，P=0.013）及PFS（HR=1.74，P=0.005）的降低独立相关。进一步分析显示，整合LNN的诺谟图预测模型在训练集（C-index=0.755 vs. 0.727）与验证集（C-index=0.676 vs. 0.642）中均显著优于未纳入LNN的模型。以上研究均证实LNN与不良预后（尤其是远处转移）显著相关，结果具有较好的一致性。

       淋巴结成簇定义为，在MRI上一个淋巴结区域内至少有三个连续的淋巴结存在。LIU等^[30]发现淋巴结成簇的存在使N2患者的OS、PFS和DMFS更差。将淋巴结成簇患者从N1期升级到N2期后，在预测PFS（0.664 vs. 0.658，P=0.022）和DMFS（0.699 vs. 0.690，P=0.005）方面的C-index均高于第8版AJCC分期系统。因此，提出将淋巴结成簇的N1期患者升级为N2期，从而改善预测预后。淋巴结融合定义为大于等于3个相邻淋巴结，其间脂肪间隙被淋巴结侵犯。DONG等^[31]研究发现，淋巴结融合的发生率约24.6%，且发生淋巴结融合的鼻咽癌患者具有明显更短的OS和DMFS（P<0.001）。

       目前，语义特征仍是临床医生进行分期和预后评估的主要依据，具有明确的临床病理意义，语义特征评估结果直观且易于整合至现有诊疗流程，但其局限性促使寻求更客观的补充工具，如：不同医师存在主观判读差异；对肿瘤微观异质性的捕捉能力有限；部分关键特征尚未被分期系统纳入。未来研究应着力突破这些困难，如：可通过标准化报告和人工智能算法自动挖掘影像语义特征，减少主观偏差并提升提取效率；开展多中心大样本研究验证模型稳定性，提高泛化能力。此外，将语义特征与影像组学、病理组学及基因组学等多模态信息结合，可提供更全面的影像生物标志，实现精准预后评估，以提升患者的生存率和生存质量。

2 基于常规MRI的AI方法对鼻咽癌患者的预测预后价值

       如前所述，基于MRI的语义特征是鼻咽癌预后评估的基石。然而，其主观评估的局限性以及对肿瘤微观异质性捕捉的不足，促使研究者探索更客观、定量的分析方法。AI技术应用于肿瘤的预测预后，展现出了优于传统方法的性能^{[32, 33]}，特别是影像组学和深度学习，通过高通量提取图像中的隐含信息或自动学习复杂模式，一定程度上克服了这些局限。这些技术可以处理上文所描述的语义特征（作为输入或基准），更重要的是，它们能发掘超越人眼识别的、与预后密切相关的影像生物标志物。

2.1 影像组学的预测预后价值

       肿瘤异质性等原因导致患者预后差异较大，而影像组学可从医疗图像数据中高通量挖掘定量图像特征从而反映肿瘤异质性，对鼻咽癌患者的预测预后至关重要。

       SHEN等^[34]基于T2加权、T1加权和增强T1加权MRI构建的影像组学模型对非转移性鼻咽癌PFS的预测效能显著优于传统TNM分期模型（AUC=0.749 vs. 0.641，95% CI：0.713~0.783 vs. 0.604~0.679）。BAO等^[35]开发的影像-临床联合列线图模型在预测疾病进展时效能最佳，AUC达0.77。同样，LIN等^[36]基于相同的MRI序列（T2加权、T1加权和增强T1加权）将这两类特征相结合建立列线图预测3年OS，其C-index达到0.745（95% CI：0.713~0.776）（P<0.01）。LIU等^[37]联合血浆EBV-DNA与影像组学特征建立的模型，其PFS预测效能（C-index=0.827）优于单纯EBV-DNA模型（C-index=0.716），这与之前研究结果相符^[34]。融合影像组学与病理组学，是解决单一影像模态信息局限、提升生物学可解释性的重要方向。ZHANG等^[38]创新性地融合MRI影像组学与数字病理特征，构建的多尺度列线图的预测预后效能（C-index=0.834）较临床模型（C-index=0.679）显著提升。这种方法在HOU等^[39]的研究中进一步凸显：构建的影像病理联合模型用于预测鼻咽癌的PFS，在训练集与验证集中的C-index分别达0.791和0.785，显著优于单一模态模型（P<0.05），证实了多模态特征协同增效的潜力。此外，针对非流行区鼻咽癌患者，BOLOGNA等^[40]基于特征子集开发的多变量Cox回归模型，对OS（C-index=0.68）和LRFS（C-index=0.72）也具有良好的预测能力。以上研究表明，基于MRI的影像组学模型在预测PFS、OS方面普遍优于传统的TNM分期模型。

       综上，在鼻咽癌预测预后方面，影像组学模型展现的性能较好，且与临床模型、EBV-DNA等联合可以进一步提升预测性能。但影像组学特征可解释性差，多中心数据异质性影响模型泛化。此时亟需一种可解释性特征工程框架能够解析影像组学特征与肿瘤微环境空间映射关系，从而提升模型预测的生物学合理性和跨中心泛化能力。

2.2 深度学习的预测预后价值

       构建预后模型过程中，使用深度学习方法提取肿瘤特征，可再次提高模型预测效能^[41]。深度学习模型可以自动提取医学影像中的高阶特征，无须肿瘤掩模，从而利用整个图像中的预后信息进行生存预测，显著提升了自动化水平与模型泛化能力，在鼻咽癌预后预测领域展现出独特优势。其中，以卷积神经网络（convolutional neural network, CNN）为代表的深度学习算法展现出了优异的性能。

       早期探索阶段，ZHONG等^[42]基于深度学习与组学特征，开发了一种用于预测预后和风险分层的列线图，结合深度学习后结果均与DFS显著相关，模型预测预后价值明显优于单独影像学特征模型（AUC：0.788 vs. 0.625，P=0.001）。此外，使用影像组学列线图进行风险分层显示，高风险组相比低风险组表现出较短的DFS（HR：6.12，P<0.001）。HUA等^[43]基于鼻咽癌原发肿瘤区域的MRI特征建立深度学习模型，其预测性能（AUC=0.74）优于传统TNM分期系统（AUC=0.67）。LI等^[44]进一步扩大样本规模，验证了瘤周影像特征对远处转移的独立预测价值，并证明深度学习模型整体性能显著超越TNM分期（C-index=0.811 vs. 0.723）。

       以上深度学习模型预测效能虽然超过传统分期模型，但均局限于单区域、单模态（MRI）的局部特征分析，而多模态影像学特征已被证实在鼻咽癌预测预后方面具有互补作用。CAO等^[45]突破单一模态的限制，基于原发肿瘤的3D-MRI特征与颈部转移淋巴结的深度学习标志物、治疗方案及临床参数（EBV-DNA载量、年龄）构建多模态预测模型，该模型在预测PFS和OS时，C-index显著优于TNM分期（PFS：C-index=0.800 vs. 0.620，OS：C-index=0.815 vs. 0.666）。最新的一项研究^[46]通过图卷积网络将原发肿瘤、转移淋巴结的MRI特征与临床参数映射为拓扑化图结构，构建了预测DFS的模型，这种全局拓扑建模使模型展现出了比临床分期更高的预测一致性（DFS：C-index=0.79 vs. 0.53，P<0.001）。

       近期研究将MRI影像组学与其他组学（如病理组学、基因组学等）结合，进一步提升预测预后。一项研究^[47]构建了一个“影像病理组学”模型，利用局部晚期鼻咽癌患者的术前MRI（影像组学）和病理切片（数字病理图像）多模态数据，预测OS。该模型在训练和验证集上的C-index分别为0.755和0.744，显著优于仅使用单一模态。另一研究^[48]则整合MRI影像组学、患者免疫学指标（如外周血T细胞亚群比例）和传统临床特征，通过深度学习模型预测局部晚期NPC的5年疾病进展；内部验证集AUC达0.844，外部验证集AUC为0.798，且决策曲线分析显示该综合模型在临床决策中获益最高。这些结果表明，多组学融合能够综合反映肿瘤的生物学特性和微环境，较单纯影像模型具有明显优势。

       多任务深度学习的引入进一步推动了跨模态协同的临床转化，其在鼻咽癌的预测预后中通过多项任务，共享MRI影像组学特征、临床参数等特征使得效能提升^[49]。GU等^[50]设计的深度神经网络同步处理生存预测、局部复发分类及转移风险评估，通过整合患者的影像组学特征与EBV-DNA载量，最终模型在预测PFS时，C-index=0.818（95% CI：0.785~0.851），显著优于以往模型[C-index=0.538（95% CI：0.500~0.576），P<0.05]，其预测的3年和5年PFS概率与实际观察到的PFS概率高度一致，凸显多任务学习的预后预测优势。然而，由于多任务学习固有的破坏性干扰（也称为负迁移），这些模型无法充分利用肿瘤外的预后信息。为了应对这一问题，MENG等^[51]提出一种自适应多模态生存模型。研究首先建立单任务模型（C-index=0.684），随后通过多任务架构将性能提升至0.695；当整合影像组学特征后，多任务模型性能提升至0.717；而自适应多模态生存模型表现最优（C-index=0.757）。

       以上采用多任务学习解决单一任务模型利用信息不充分的问题，或自适应机制减轻负迁移，是对多模态数据融合和任务关联性的创新策略。深度学习的优点是自动提取高度复杂的非线性特征，能充分利用图像的原始信息，结合多组学数据则使模型更加全面。深度学习的不足在于模型训练对大样本的需求较高，且“黑盒”特性导致可解释性较差；多组学数据收集成本高，且不同组学数据的配对和质量控制较为困难；此外，目前尚缺乏大规模、公开标注的鼻咽癌多模态影像组学数据库，限制了深度学习模型的泛化。多组学方法目前多在研究阶段，未来需要更多前瞻性多中心验证，并与临床路径相结合，才能更好地推动AI技术在NPC预测预后中的临床转化。

2.3 生境成像的预测预后价值

       影像组学和深度学习特征均是基于感兴趣区的全局提取特征^[52]，而生境成像技术可通过整合多参数影像特征与空间拓扑信息，将肿瘤内具有不同生物学行为的亚区域（如缺氧核心、高侵袭性边缘及坏死区）进行三维分割与动态追踪，从而揭示肿瘤微环境的空间异质性及其动态演变规律^[53]。

       ZHU等^[54]针对297例鼻咽癌患者，通过多序列MRI（T2WI、T1WI、对比增强T1WI）数据进行分析，研究采用三维重采样提取组学特征后，通过k-means聚类实现肿瘤亚区分割，并评估这些亚区对预测鼻咽癌患者预后的价值。结果显示，基于生境特征的模型验证集AUC达0.724，显著优于T分期模型；结合肿瘤微环境模型和T分期的列线图将AUC提升至0.749。LIN等^[36]针对局部复发鼻咽癌构建肿瘤异质性量化模型预测3年和5年OS。研究通过多中心MRI影像组学分析，筛选出与肿瘤空间异质性显著相关的特征群，其不仅反映复发灶的侵袭性，更与免疫微环境异质性存在强相关性。该研究联系影像异质性与肿瘤微环境生物学特性，解决可解释性问题。近期的一项研究^[55]，对局部晚期鼻咽癌患者进行MRI多序列（CE-T1WI和T2-FS）扫描，利用K-means算法将肿瘤聚类为5个亚区，其中某一亚区的体积特征与诱导化疗后肿瘤反应显著相关（P=0.032）。基于该亚区特征构建的随机森林模型在训练集和验证集上的AUC分别达到0.921和0.819（CE-T1WI序列）；T2-FS序列建模结果亦类似（训练集AUC为0.933，验证集AUC为0.829）。这表明生境子区域分析可用于早期识别对化疗响应不佳的NPC患者。另一项研究^[56]将179例鼻咽癌患者治疗前T2WI、CE-T1WI及T1WI-FS增强图像分割为不同生境区域，构建以支持向量机为基础的模型，预测放疗结束时的肿瘤残留状态。在训练集中，对比整合模型、单序列模型发现：综合整合多序列生境特征及临床变量的模型效果最佳（训练集AUC为0.921，验证集AUC为0.811）。

       以上研究表明，相比于传统全肿瘤组学分析，生境成像能更好地区分肿瘤内部灰度和纹理的多样性，提高预测准确率。当前生境成像技术仍面临配准误差与病理解释较弱的挑战。未来可在图像预处理阶段采用标准化处理流程，提高后续分析的准确性和可靠性；通过联合深度学习与物理建模优化亚区分割精度，或整合病理组学、空间代谢组学与基因组学等数据，为鼻咽癌精准预测提供更全面的空间生物学视角。

3 小结与展望

       基于MRI的影像特征对NPC预测预后具有重要价值。语义特征直观可解释，是临床判断的重要依据；影像组学和深度学习方法则能够量化肿瘤异质性，提高风险分层精度；多组学融合与生境成像等新技术正在不断涌现，为鼻咽癌预后评估提供了新思路。整体来看，多模态影像特征与临床数据结合的综合模型通常优于单一模式。然而，目前研究仍面临若干挑战：大多数研究为回顾性且样本量有限，缺乏足够的外部验证；不同研究采用的MRI序列、图像预处理和特征选择方法不统一，导致结果可比性差；模型的解释性和临床可操作性不足，使得研究成果难以直接应用于临床，特别是深度学习模型，缺乏透明性和标准化验证也是一大瓶颈。

       未来工作应重点解决以上问题：一方面需建立多中心的影像数据库和标准化流程以提高模型的稳定性；另一方面，结合最新的AI技术和生物标志物（如肿瘤免疫微环境特征）等数据，可进一步完善预测预后模型；此外，在技术平台层面，应推广基于云计算和高性能计算的自动分析系统，减少人工参与，使AI模型更易于临床集成。总之，随着数据积累和技术成熟，基于MRI的预测预后方法有望成为NPC精准医疗的重要工具，指导个体化治疗与随访策略。