0 引言

       鼻咽癌是鼻咽黏膜上皮的恶性肿瘤，具有明显的区域聚集性^{[1, 2]}。EB病毒（Epstein-Barr virus, EBV）感染、遗传易感性以及环境因素均是与该病密切相关的致病因素^[3]。对于局部晚期鼻咽癌（locally advanced nasopharyngeal carcinoma, LA-NPC）患者，以调强放疗（intensity-modulated radiotherapy, IMRT）为核心的综合治疗现在已经成为了非转移性鼻咽癌的标准方案^{[4, 5, 6]}，多项研究也证明IMRT联合以铂类为基础的同步化疗显著改善患者生存预后^{[7, 8]}。但是，仍有大约10%~20%的局部晚期患者在完成治疗后出现局部复发或远处转移的现象^[9]。对于这部分患者而言，分子靶向治疗的使用提供了新的治疗选择^{[10, 11, 12]}。

       相关研究表明，在鼻咽癌患者中表皮生长因子受体（epidermal growth factor receptor, EGFR）呈明显高表达状态的可达80%以上，EGFR的靶向药物（如尼妥珠单抗、西妥昔单抗等）具有明确的抗肿瘤活性^{[13, 14]}。然而，鼻咽癌靶向治疗的疗效存在显著异质性，并非所有EGFR高表达患者均能得到同等获益^[15]，原发性和继发性耐药现象在治疗中普遍存在^[16]，临床尚缺乏能够精准筛选靶向治疗获益人群的有效生物标志物^[17]，这不仅可能导致医疗资源浪费，还可能使患者暴露于不必要的毒副反应风险。对于LA-NPC，调强放疗联合靶向治疗（如尼妥珠单抗）能够诱发强烈的肿瘤细胞坏死与微环境变化。在治疗早期，肿瘤三维体积的显著退缩不仅反映了局部解剖负荷的减轻，更标志着肿瘤对射线以及靶向药物的高敏感性，是预测远期局部控制率与危险分层的重要早期生物学指标^{[18, 19]}。

       影像组学作为一种新兴的非侵入性研究方法，它通过从MRI和CT等传统医学成像技术中提取并分析大量定量特征，在预测治疗效果方面具有巨大潜力。这种方法能够对肿瘤的异质性进行全面评估^{[20, 21]}，揭示潜在的生物学行为。MRI作为鼻咽癌诊断和分期的首选影像学方法，其影像组学特征可有效反映肿瘤异质性、坏死及血管生成等生物学特性^{[22, 23, 24]}。当前基于MRI影像组学的鼻咽癌疗效预测中，许多研究多局限于诱导化疗或同步放化疗的场景^[25]，且常以漫长的远期生存指标（如无进展生存期）为预测终点^[26]，难以及时指导早期干预。因此，本研究旨在构建一种融合了多参数MRI组学特征与临床特征的多模态联合模型，探讨其在预测局部晚期鼻咽癌患者接受IMRT联合靶向治疗后早期肿瘤退缩水平的价值，为尽早识别抗拒人群及优化个体化治疗提供无创的决策支持。

1 材料与方法

1.1 研究对象

       本研究采用单中心、回顾性观察设计。研究严格遵守了《赫尔辛基宣言》，经海南医科大学第一附属医院伦理审查委员会批准通过研究方案，并免除受试者知情同意（批准文号：[2025-KYL-178]）。回顾性筛选2019年1月至2025年6月期间就诊于海南医科大学第一附属医院，同时接受含靶向治疗方案治疗的LA-NPC患者。纳入标准：（1）经本院鼻咽镜病理活检确诊为鼻咽癌；（2）根据美国癌症联合委员会第8版（AJCC 8th）TNM分期系统，为Ⅲ期或ⅣA期局部晚期鼻咽癌患者；（3）所有患者均接受调强放疗，且在放疗期间均同步接受尼妥珠单抗靶向治疗；（4）具有完整的治疗前基线（首次治疗前2周内）及治疗后早期（放疗结束后10~14天内）MRI影像资料，图像质量满足特征提取要求；（5）临床实验室检查资料完整。排除标准：（1）合并其他恶性肿瘤病史；（2）接受过鼻咽癌根治性手术治疗。

       本研究主要依赖于高维影像组学特征与机器学习算法，传统的基于单一假设检验的先验样本量计算方法在此类探索性研究中存在一定局限性。因此，本研究采用了基于特定时间窗口的连续性抽样策略，在2019年1月至2025年6月的研究窗口期内，我们严格按照纳排标准，连续性收集了本中心所有符合条件的LA-NPC患者，最终确定全队列样本量为121例。为最大程度缓解当前样本量规模及较小事件数带来的潜在过拟合风险，本研究在后续的特征工程与模型构建阶段，执行了严格的高阶降维策略与嵌套内部交叉验证机制。

1.2 治疗方案

       所有入组患者均接受了规范化的IMRT联合靶向治疗的综合治疗方案。IMRT靶区勾画遵循相应临床指南^{[5, 27]}，处方剂量根据肿瘤位置、分期及与危及器官的毗邻关系进行个体化制定，总处方剂量范围为50.4~70.0 Gy，常规分割（1.8~2.0 Gy/次）。所有患者均在放疗期间同步接受尼妥珠单抗注射液（商品名：泰欣生，百泰生物药业有限公司，中国北京）靶向治疗，采用静脉注射给药，方案为200 mg，每周一次，患者在首次MRI复查前至少完成2次足量给药。

1.3 早期疗效评估指标

       本研究旨在探索鼻咽癌患者接受IMRT联合靶向治疗极早期的生物学应答，而该阶段病灶靶区常伴有急性放射性水肿，且鼻咽部肿瘤多呈不规则的浸润性生长。若采用传统的一维长径测量，如RECIST 1.1评价标准，易因水肿或非对称性退缩而产生假性稳定或假性进展导致评估偏倚。既往研究亦证实，针对局部晚期鼻咽癌，肿瘤三维体积退缩率（tumor volume reduction rate, TVRR）在缓解评估以及预后预测方面优于RECIST1.1评价标准^{[28, 29]}。因此，本研究选择采用TVRR作为早期疗效的核心评价指标。

       肿瘤体积通过北京医准智能科技公司提供的达尔文科研平台-医准智能（Version 3.4.0；www.premium.darwin.yizhun-ai.com）在MRI序列上逐层勾画病灶边界并进行三维重建获得。TVRR的计算公式：TVRR=（治疗前病灶体积-治疗后病灶体积）/治疗前病灶体积×100%。

       为客观界定早期应答状态，本研究主要依据临床循证证据确立了疗效截断点。在KWONG等^[30]的研究中证实患者治疗早期的中位肿瘤体积退缩百分比恰为47.9%，该临界阈值在预测鼻咽癌预后方面具有高度敏感性，显著优于常规标准。据此，本研究最终将TVRR的截断值设定为47%（在本组121例患者位于TVRR分布的下20%分位点附近），将呈优势退缩的患者（TVRR≥47%，n=95）定义为该联合治疗方案的早期应答组，将其余未能达到该临界退缩率的患者（TVRR<47%，n=26）界定为无应答组。

1.4 图像获取与预处理

       本研究使用的患者图像均采集自海南医科大学第一附属医院的两台3.0 T磁共振扫描仪，具体型号分别为Discovery MR750W（GE Healthcare, 美国）和Ingenia（Philips Healthcare, 荷兰），两套设备均匹配了专用的16通道头颈联合相控阵线圈。所有检查均严格执行本院鼻咽癌标准扫描协议，具体扫描参数详见表1。

       关键采集序列包括：（1）横断面T2加权成像（T2-weighted imaging, T2WI）；（2）横断面T1加权增强成像（contrast-enhanced T1-weighted imaging, T1WI+C）；增强扫描均在肘前静脉团注对比剂后即刻进行，采用钆贝葡胺注射液（商品名：特优显^®，海南倍特药物有限公司，中国）作为对比剂，依据0.1 mmol/kg体质量的标准计量，以2.5 mL/s的流速经肘前静脉注入。

       所有原始图像格式均为医学数字成像和通信（digital imaging and communications in medicine, DICOM），并从医院影像归档与通信系统中导出备用。为最大限度减少不同扫描设备及参数差异引入的偏倚，确保图像间可比性，我们在达尔文科研平台-医准智能（Version 3.4.0）上对所有图像进行了统一的预处理流程，其中包括：（1）空间重采样：采用三线性插值法将所有图像重采样为1×1×1 mm³的各向同性体素，以消除层厚和像素间距差异导致的特征偏倚；（2）灰度归一化：应用Z-score标准化将图像信号强度映射至均值为0、标准差为1的分布，以降低不同设备间的亮度差异；（3）灰度离散化：采用固定bin数（Bin count=32）进行离散化处理，以提高纹理特征的计算稳健性，以校正不同扫描仪和序列间潜在的信号强度差异。

点击查看表格

表1  鼻咽癌的扫描参数
Tab. 1  Scanning parameters for nasopharyngeal carcinoma

1.5 ROI的确定与一致性检验

       患者的T2WI及T1WI+C图像均以DICOM格式导入达尔文科研平台-医准智能，由一名具有3年及以上工作经验的放射科住院医师分别在两个序列图像上对感兴趣区（region of interest, ROI）进行逐层手动勾画。其中，T2WI序列因其优异的软组织对比度主要用于界定肿瘤的解剖结构边界；T1WI+C的勾画则重点关注明显强化区域，并严格参考T2WI序列来进行解剖位点交叉核对，主动避开大血管及囊变坏死区。完成勾画后系统将自动生成全肿瘤三维容积。最后再由另一名具有10年及以上头颈影像诊断经验的放射科主任医师对勾画结果进行审核确认，存在异议时将对病灶进行重新勾画。此外，为评估特征提取的稳定性，我们在正式提取前随机抽取30例样本，由两名住院医师独立完成勾画以计算组内相关系数（intra-class correlation coefficient, ICC）检验。参与勾画、评估及校正的所有人员在过程中对患者的临床、病理以及影像学检查结果均不知情（图1）。

点击查看大图

图1  感兴趣区勾画。1A~1C分别展示了鼻咽癌原发灶在T1WI+C序列中不同横断面上的分割。图中所示黄色区域为鼻咽癌病灶感兴趣区。
Fig. 1  Delineation of the region of interest. 1A to 1C illustrate the segmentation of the primary nasopharyngeal carcinoma lesion on different axial slices of the T1WI+C sequence, respectively. The yellow regions indicated in the images represent the region of interest for nasopharyngeal carcinoma.

1.6 临床信息采集与影像特征筛选

       患者临床特征均来自海南医科大学第一附属医院电子病历系统，包括年龄、性别、实验室指标，其中实验室指标包括白细胞（white blood cell, WBC）计数、血小板（platelet, PLT）计数、中性粒细胞与淋巴细胞比值（neutrophil-to-lymphocyte ratio, NLR）以及血小板与淋巴细胞比值（platelet-to-lymphocyte ratio, PLR）等。在临床预测特征的初步筛选上，为避免遗漏具有潜在交互或抑制效应的预后因子，我们并未单纯依赖单因素分析的统计学显著性作为唯一准入标准，而是将具有潜在预后价值的指标，共同纳入多因素logistic逐步回归模型中。旨在通过多维度变量的线性组合客观评估其独立预测价值。

       影像组学特征提取主要依托达尔文科研平台-医准智能（Version 3.4.0）完成。针对每位患者的T2WI和T1WI+C序列，系统自动提取涵盖一阶特征、纹理统计特征及形状特征在内的多维度参数。最终，每位患者在每个MRI序列上分别获得1781个特征，总计3562个特征。为构建兼具稳健性与低过拟合风险的预测模型，本研究将多步骤特征筛选机制严格嵌套于5折交叉验证框架内执行。因此，在每一次交叉验证循环中，系统仅利用当前训练折叠的数据独立进行特征运算与降维，具体步骤包括：（1）通过方差阈值法剔除方差小于0.05的低信息量特征；（2）运用最小冗余最大相关性（minimum redundancy maximum relevance, mRMR）算法进行初步特征筛选；（3）通过最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）回归进行最终降维，依据内部交叉验证确定的最优惩罚参数λ，保留系数非零的核心特征。在完成上述步骤后，利用该训练折叠产生的缩放参数与特征权重，对完全未见过的验证折叠进行盲态转化与效能评估。以确保测试数据的独立性，避免信息泄露带来的性能虚高风险。

1.7 模型构建与评估

       模型的构建主要依赖于达尔文科研平台-医准智能。本研究根据选择的特征建立了5个逻辑回归模型：T2WI模型、T1WI+C模型、临床模型、双序列影像模型和多模态联合模型。其中，多模态联合模型的构建，首先计算每位患者的影像组学评分（radscore），随后将其作为一个独立的连续变量，与经多因素筛选确定的4项核心临床指标（WBC、PLT、NLR、PLR）共同纳入逻辑回归模型中。

       为提升模型评估的可靠性并充分利用有限样本，特征筛选与建模流程严格嵌套于5折交叉验证框架内，用以客观评估预测方案的稳健性。在证实管线可靠后，基于小样本预测模型构建的统计学原则以及TRIPOD声明^[31]，为避免数据拆分导致的统计效能损失，本研究将相同的降维策略应用于全队列数据（n=121）以确立最终特征集并构建列线图。为了严格把控全队列建模带来的过拟合偏移，采用Bootstrap重抽样技术（B=1000）进行内部验证，以计算模型的过拟合乐观度并绘制偏差校正校准曲线。

1.8 统计学方法

       使用R 4.5.2版本和SPSS 27.0版本进行数据分析。当数据服从正态分布时，以均数±标准差表示，组间比较采用独立样本t检验；非正态分布的数据以M（Q1，Q3）表示，组间分析采用Mann-Whitney U检验。计数资料以频数（%）表示，组间比较采用χ²检验。

       在构建模型前，通过方差膨胀因子（variance inflation factor, VIF）对变量间的多重共线性进行评估，确保模型权重的稳健性。模型预测效能主要通过受试者工作特征（receiver operating characteristic, ROC）曲线评价各预测模型的效能，并采用DeLong检验比较不同模型间曲线下面积（area under the curve, AUC）的差异，通过校准曲线评估多模态联合模型预测概率与实际发生概率的一致性，利用决策曲线分析衡量模型在不同阈值概率下的临床净获益。

2 结果

2.1 患者基线资料比较

       本研究共纳入121例LA-NPC患者，其中早期应答组95例，无应答组26例。基线临床特征分析显示，除性别分布两组间差异具有统计学意义（P=0.042）外，两组患者在年龄以及WBC、PLT、NLR、PLR等指标上差异均无统计学意义（均P>0.05），表明两组队列在治疗前具有良好的基线可比性（表2）。

点击查看表格

表2  患者临床指标基线分析
Tab. 2  Baseline analysis of patient clinical indicators

2.2 特征的筛选与模型构建

       在临床预测变量的确立过程中，由于性别在组间基线分布存在差异，本研究将其作为潜在混杂因素纳入多因素logistic回归分析。结果显示，校正了性别的混杂影响后，性别本身并非早期应答的独立预测因子（P>0.05），而WBC、PLT、NLR及PLR共4个指标表现出显著的独立预测价值（均P<0.05），故最终模型保留该4项核心指标，详见表3。

       基于随机抽样（n=30）的ICC一致性检验提示双人ROI勾画具有良好的可重复性与稳定性。随后，本研究将多步骤递进的降维策略应用于全队列数据，最终确定了10个核心影像特征（包含5个纹理特征与5个一阶特征），其中10个最终保留的影像特征平均ICC为0.713（中位ICC=0.769）。共线性诊断显示，所有入组变量的VIF均<10，提示特征间不存在严重的多重共线性。

点击查看表格

表3  临床特征筛选
Tab. 3  Clinical feature selection

2.3 各预测模型效能表现评估

       经5折交叉验证结果显示，各模型在预测LA-NPC综合治疗早期应答方面均表现出一定的鉴别效能。其中临床模型平均AUC相对最低，为0.612（95% CI：0.478~0.746）。单模态模型中可见T2WI模型的预测效能（平均AUC=0.773）优于T1WI+C模型（平均AUC=0.696）。最终，融合了影像与临床特征的多模态联合模型表现最优，其平均AUC达到0.867（95% CI：0.754~0.946），平均敏感度、特异度及准确率分别为84.67%、90.53%和89.30%，DeLong检验结果显示，多模态联合模型与临床模型（Z=3.651，P<0.001）、多模态联合模型与双序列影像模型（Z=2.578，P<0.05）、双序列影像模型与临床模型（Z=2.527，P<0.05），差异均具有统计学意义（表4、图2）。

点击查看大图

图2  各预测模型5 折交叉验证的ROC曲线对比。2A~2E分别展示了多模态联合模型、临床模型、双序列影像模型、T2WI 模型以及T1WI+C模型的验证表现。ROC：受试者工作特征；AUC：曲线下面积；T2WI：T2 加权成像；T1WI+C：T1 加权增强成像；std. dev.：标准差。
Fig. 2  Comparison of ROC curves for various predictive models using 5-fold cross-validation. 2A to 2E illustrate the validation performance of the multimodal combined model, clinical model, dual-sequence radiomics model, T2WI model, and T1WI+C model, respectively. ROC: receiver operating characteristic; AUC: area under the curve; T2WI: T2-weighted imaging; T1WI+C: contrast-enhanced T1-weighted imaging; std. dev.: standard deviation.

点击查看表格

表4  各模型5折交叉验证参数对比
Tab. 4  Performance parameters of various models in 5-fold cross-validation

2.4 临床预测列线图的构建与验证

       为进一步提升临床实用性，本研究基于多模态联合模型构建了可视化列线图，可直观评估患者靶向治疗应答概率。校准曲线显示，列线图预测的早期应答概率与实际观察值之间具有良好的一致性。决策曲线分析表明，在0.1~0.8的阈值概率范围内，多模态联合模型具有较高的临床转化价值（图3、图4、图5）。

点击查看大图

图3  多模态联合模型的列线图。radscore：影像组学评分；WBC：白细胞计数；PLT：血小板计数；NLR：中性粒细胞/淋巴细胞比值；PLR：血小板/淋巴细胞比值。
Fig. 3  Nomogram of the multimodal combined model. radscore: radiomics score; WBC: white blood cell count; PLT: platelet count; NLR: neutrophil-to-lymphocyte ratio; PLR: platelet-to-lymphocyte ratio.

点击查看大图

图4  多模态联合模型的校准曲线。横轴代表模型计算得出的预测应答概率，纵轴代表患者群体中实际观察到的应答概率。Ideal：理想状态下的完美预测边界；Apparent：模型在未经校正时的初始表观性能；Bias-corrected：经过重抽样技术偏差校正后的真实校准度。
Fig. 4  Calibration curve of the multimodal combined model. The x-axis represents the model-predicted probability of response, and the y-axis indicates the actual observed probability within the patient cohort. Ideal: the boundary of perfect prediction under optimal conditions; Apparent: the initial performance of the model prior to any statistical correction; Bias-corrected: the true calibration accuracy after bias adjustment via resampling techniques.

点击查看大图

图5  多模态联合模型的决策曲线分析及风险分层效能。5A：多模态联合模型的决策曲线分析；5B：风险阈值与高风险人群及事件数的关系。
Fig. 5  Decision curve analysis and risk stratification performance of the multimodal combined model. 5A: Decision curve analysis of the multimodal combined model；5B: Number of high-risk individuals and events across different risk thresholds.

3 讨论

       本研究构建并验证了融合多模态影像组学与临床指标的联合预测模型。我们采用5折交叉验证策略，旨在无创地预测LA-NPC患者接受IMRT联合靶向治疗后的早期疗效。结果显示，多模态联合模型在内部验证和偏差校正后展现了稳健的预测效能。现阶段的预测研究往往孤立地关注影像特征或单一临床指标。因此，本研究尝试构建一个双向视角的评估框架。该模型摒弃了单一维度的局限，将反映肿瘤局部解剖异质性的影像组学特征，与代表宿主系统性炎症状态的外周血标志物进行了整合。利用治疗前的基线期数据预测近期的肿瘤退缩情况，提前锁定真正具备远期生存潜力的优势人群，从而期望避免无效的毒性累积与过度治疗。

3.1 影像组学在鼻咽癌靶向治疗应答预测中的综合价值

       在临床诊疗中，影像组学通过深度挖掘医学图像中肉眼无法察觉的高维定量特征，已经成为无创评估肿瘤异质性的核心工具^[32]。本研究中，T2WI模型（平均AUC=0.773）的预测效能不仅优于T1WI+C模型，甚至略高于融合双序列的影像模型（平均AUC=0.760）。这一现象具备充分的解剖学基础：T2WI序列对组织内的自由水分布极其敏感，能够精准捕捉到肿瘤内部间质性水肿、坏死以及细胞密度的微观差异。这些影像学层面的异质性特征，直观地映射了肿瘤微环境中微血管异常增生与缺氧状态，而缺氧恰恰是驱动鼻咽癌放化疗早期抗拒的关键机制。正如ZHAO等^[33]在鼻咽癌诱导化疗研究中所证实的，MRI组学标签能敏锐捕捉这种局部的免疫微环境异质性。在方法学层面，受限于固定的样本量维度，效能较弱的T1WI+C序列特征在模型融合时不可避免地引入了信息冗余与噪声，进而在交叉验证中稀释了T2WI序列的真实权重。

       然而，单纯的局部解剖影像无法全面刻画宿主的全身免疫轮廓，因此，我们将临床指标纳入考量，促成了信息维度的有效互补。既往研究表明，高水平的NLR与PLR往往提示机体处于强烈的全身性炎症状态，并伴随抗肿瘤免疫功能的显著受损，这与鼻咽癌的不良预后密切相关^{[34, 35]}。值得关注的是，除了WBC外，PLT、NLR及PLR在本队列的单因素分析中并未展现出显著性差异，却在多因素模型中均体现出显著的预测价值。这种统计学上的反转强烈提示各指标间存在显著的抑制效应。通过构建多维度变量的线性组合，联合模型有效地滤除了混杂因素的背景干扰，更为精准地挖掘出这些炎症标志物对早期治疗应答的独立预测贡献。

       与上述宏观炎症状态相印证，本队列患者的基线WBC大多维持在正常生理区间（早期应答组vs.无应答组：中位数7.00×10⁹/L vs. 6.00×10⁹/L）。在这个相对平稳的生理基线下，WBC的微小波动实质上反映了患者稳健的骨髓造血储备与基础免疫稳态。维持良好的宿主免疫微环境，是靶向药物顺利发挥抗体依赖性细胞介导的细胞毒性作用，以及放疗诱发免疫重塑效应的先决条件。最终，本研究聚焦于多模态数据整合，联合模型的平均AUC提升至0.867。这一结果充分证实，深度融合局部解剖异质性与宿主系统性免疫状态，最大程度地提取了特征空间中的互补信息，是提升综合干预模式下疗效预测准确性的关键路径。

3.2 联合模型的预测优势与增量临床价值

       相比近期同类研究，本联合模型在临床干预场景与特征融合维度展现出显著的增量价值。JIAN等^[36]基于多参数 MRI 组学预测远期生存，虽具确证意义但随访周期漫长。本研究则聚焦“早期应答”这一即时终点，旨在尽早甄别对IMRT联合靶向治疗方案存在原发性抗拒的极高危患者，从而为及时引入挽救性治疗（如辅助干预或局部手术）争取时间窗口。另一方面，WU等^[37]虽同样预测早期应答，但干预场景仅局限于传统的单纯CCRT模式。针对IMRT联合靶向治疗的综合模式，由于靶向疗效高度依赖宿主免疫微环境，单一局部影像特征已难以全面刻画其复杂的治疗敏感性。因此，本研究创新性地将反映宿主系统性免疫状态的外周血标志物（NLR、PLR等）与刻画局部解剖异质性的MRI组学特征进行了深度融合。

       此外，本研究摒弃了易导致过拟合的简单随机拆分法，严格采用全队列嵌套的5折交叉验证范式。在这一测试下，多模态联合模型取得稳定的平均AUC（0.867），有效规避了抽样偶然性误差，赋予模型潜在的泛化能力。

3.3 综合治疗模式下的疗效归因与临床可视化应用

       针对综合干预模式下的疗效归因，早期肿瘤体积的退缩本质上是局部放疗与全身系统性药物协同作用的综合体现。多项研究已验证，这种局部与全身干预的联合能够诱发显著的免疫调节与协同增敏效应^{[38, 39]}。值得注意的是，本研究结果显示应答组（TVRR≥47%）患者占比达78.5%。这一较高的早期应答比例并非数据偏倚，而是由根治性的放疗联合靶向治疗的双重干预的特性所决定的。多项研究证实，在根治性放疗联合尼妥珠单抗的治疗下，LA-NPC患者的客观缓解率可高达97.8%^{[14, 40]}。因此，本研究依据队列动力学特征将TVRR截断严格设定为47%（约处于队列下20%分位点），其核心临床价值并非评估常规的肿瘤退缩，而是旨在利用高维影像组学特征，寻找少数在综合干预下依然表现出“原发性退缩抗拒”的高危亚群，为临床早期及时调整治疗策略提供量化依据。

       在模型性能的深度对比中，本研究通过DeLong检验得出，融合了影像组学特征与临床指标的多模态联合模型，其预测效能显著优于单一维度的影像模型或临床模型（均P<0.05）。这证明了，局部解剖异质性特征与宿主系统性免疫状态在评估靶向治疗应答方面具有显著的信息互补性，多模态数据整合是提升个体化疗效预测准确性的关键。在缺乏对照的单臂队列中，我们确实难以精确拆分某一特定治疗手段的独立贡献。然而，本研究所构建的联合模型恰好宏观层面契合这一复杂的生物学逻辑：基于MRI的组学特征敏锐捕捉了肿瘤局部解剖异质性及其对放疗的敏感度；而临床指标则反映了宿主的全身免疫稳态与药物起效的微环境前提。在模型优越性评估方面，本研究采用决策曲线分析^[41]来衡量临床净获益。结果显示，在0.1~0.8的广泛临床阈值概率区间内，该联合模型能为本队列带来稳定且最优的净获益，可有效避免无效治疗或过度治疗。

       通过深度整合上述临床与影像特征，多模态联合模型最大程度地提取了特征空间中的互补信息，这就为后续量化列线图的构建提供了坚实的实证基础。列线图作为一种直观的可视化工具，近年来在局部晚期鼻咽癌的风险分层中已得到广泛应用^{[42, 43, 44]}。在本研究中，我们将多模态联合模型成功转化为包含影像组学标签及多项系统性炎症指标的评分系统。临床医生可通过线性组合各变量得分，快速计算患者靶向治疗应答概率。该方法不仅提升了个体化治疗的精准度，更为临床决策提供了科学、可视化的依据。

3.4 局限性

       尽管本研究取得了一定成果，但不可否认仍存在若干局限。首先，本研究为单中心回顾性设计，样本量（n=121）相对有限。根据每个变量至少需要10个事件的统计学经验法则（10 events per variable, 10 EPV），本研究中“无应答事件”仅26例，对于支撑包含5个预测因子的联合模型而言，处于过拟合风险的边缘。尽管我们采用了5折交叉验证和Bootstrap重抽样技术进行了严格的内部验证与偏倚校正，但未来仍亟待通过多中心、大样本的前瞻性队列进行外部独立验证，以进一步证实模型的泛化效度。

       其次，现阶段影像组学模型的性能仍高度依赖于前期图像质量与手动分割的精准度。若原始MRI图像存在运动伪影干扰，或肿瘤浸润边界勾画存在偏差，均可能对后续的高维特征提取造成影响。在此基础上，当前特征工程尚未涵盖深度学习维度，在后续工作中，我们拟引入自动化分割网络并融合深度神经网络特征，以期进一步突破现有多模态预测模型的上限与鲁棒性。

4 结论

       本研究通过合并临床和影像组学特征创建多模态联合模型，显著提高了鼻咽癌靶向治疗反应预测的准确性。由该模型导出的列线图为临床决策提供了实用的辅助。尽管受到单中心样本的限制，该研究为推进影像组学临床转化提供了基础，为临床制定个体化治疗方案提供有价值的决策支持。