基于自监督对比学习与深度自注意力融合的多模态网络预测甲状腺乳头状癌中央淋巴结转移（SCLResNet与DSAF模型研究）

　　本综述提出一种创新多模态深度学习框架，整合肿瘤超声(US)影像、甲状腺下动脉层周血管脂肪组织(PVAT)的CT影像与临床特征，通过自监督对比学习(SCLResNet101)与深度自注意力融合(DSAF)网络实现甲状腺乳头状癌(PTC)中央淋巴结转移(CLNM)的精准预测。模型在内部与外部验证集中AUC分别达0.863和0.839，显著优于传统方法，为临床避免过度手术提供了可靠的AI辅助决策工具。

　　

Highlight

关键创新点

受自监督对比学习框架启发，本研究提出了SCLResNet101——一种专为高效特征提取而设计的新型网络。在第一阶段，通过计算对比损失优化参数，最大化正样本相似性并最小化负样本相似性，从而在有限图像数据集上增强特征提取能力。然而，先前多数研究依赖于监督学习方法，这类方法需要大量标注数据且难以捕捉细微特征差异。

Conclusions

结论

本研究利用肿瘤超声图像、C6层面的PVAT CT图像和临床信息，构建了多模态深度学习模型来预测CLNM。该模型在同一学术体系下的两家医院中均展现出卓越的诊断性能，其表现超越经验丰富的放射科医师。这表明多模态模型可作为非侵入性工具用于PTC患者的CLNM筛查。经过进一步优化与校准后，它有望成为辅助外科医生制定精准手术方案的强大工具。