Zhonghua er bi yan hou tou jing wai ke za zhi = Chinese journal of otorhinolaryngology head and neck surgery 2026年9月15日该单中心回顾性研究构建了基于ResNet+CBAM注意力模块、并融合DNN+Transformer临床特征的多任务深度学习模型，利用颈部增强CT图像同步预测淋巴结良恶性与原发部位，在测试集（457例）中良恶性AUC为0.851、原发部位Micro-AUC为0.819、Top-1与Top-3准确率为79%和93%，在真实CMSCCUP队列（172例）中Micro-AUC为0.809、Top-3准确率为88%，并显著提升了初级医生的预测准确率（P值均<0.001）。该单中心回顾性研究构建了基于ResNet+CBAM注意力模块、并融合DNN+Transformer临床特征的多任务深度学习模型，利用颈部增强CT图像同步预测淋巴结良恶性与原发部位，在测试集（457例）中良恶性AUC为0.851、原发部位Micro-AUC为0.819、Top-1与Top-3准确率为79%和93%，在真实CMSCCUP队列（172例）中Micro-AUC为0.809、Top-3准确率为88%，并显著提升了初级医生的预测准确率（P值均<0.001）。基于注意力机制的多任务深度学习模型预测原发灶不明颈部转移性鳞癌的原发部位该单中心回顾性研究构建了基于ResNet+CBAM注意力模块、并融合DNN+Transformer临床特征的多任务深度学习模型，利用颈部增强CT图像同步预测淋巴结良恶性与原发部位，在测试集（457例）中良恶性AUC为0.851、原发部位Micro-AUC为0.819、Top-1与Top-3准确率为79%和93%，在真实CMSCCUP队列（172例）中Micro-AUC为0.809、Top-3准确率为88%，并显著提升了初级医生的预测准确率（P值均<0.001）。该单中心回顾性研究构建了基于ResNet+CBAM注意力模块、并融合DNN+Transformer临床特征的多任务深度学习模型，利用颈部增强CT图像同步预测淋巴结良恶性与原发部位，在测试集（457例）中良恶性AUC为0.851、原发部位Micro-AUC为0.819、Top-1与Top-3准确率为79%和93%，在真实CMSCCUP队列（172例）中Micro-AUC为0.809、Top-3准确率为88%，并显著提升了初级医生的预测准确率（P值均<0.001）。