GPT辅助影像组学建模预测头颈部鳞癌新辅助化免疫治疗病理完全缓解
核心概要
该研究在训练队列（n=186）、验证队列（n=116）和前瞻性多中心验证队列（n=269）中，从治疗前T2加权MRI提取影像组学与监督深度学习特征，比较人工开发与GPT辅助的建模流程，发现融合特征在两种逻辑回归模型中AUC最高（训练队列0.759对0.763±0.003，验证队列0.714对0.741±0.008，前瞻性多中心验证队列0.700对0.706±0.004），GPT辅助流程在五种分类器上与人工开发模型性能大致相当，且五次重复运行的AUC标准差为0.001至0.019，表明在专家监督下GPT可自动化影像组学建模的关键步骤。
深度剖析
研究评估了GPT在影像组学建模中的辅助作用，GPT不作为分类器，而是参与预处理、特征选择、超参数优化、代码生成与执行、模型训练和概率输出。 将GPT的角色定位为建模流程的自动化助手而非预测模型本身，区别于通常将AI直接作为分类器的做法。 在三个队列（训练队列n=186、验证队列n=116、前瞻性多中心验证队列n=269）中系统实施，每个GPT辅助流程独立重复五次。
融合影像组学与深度学习特征在人工开发和GPT辅助的逻辑回归模型中均取得最高AUC。 在头颈部鳞癌新辅助化免疫治疗pCR预测场景中，展示了融合特征相对于单一特征类型的优势，并给出了人工与GPT辅助流程的并列比较。 训练队列AUC为0.759对0.763±0.003，验证队列为0.714对0.741±0.008，前瞻性多中心验证队列为0.700对0.706±0.004。
GPT辅助流程在支持向量机、朴素贝叶斯、随机森林和XGBoost等五种分类器上的性能与人工开发模型大致相当。 将GPT辅助建模的可行性从单一模型扩展到多种分类器，提供了跨模型的比较证据。 基于融合特征在五种分类器上进行比较，GPT辅助流程重复运行五次，AUC标准差为0.001至0.019，显示有限变异性。
启示与展望
该研究适用于头颈部鳞癌接受新辅助化免疫治疗的患者，基于治疗前T2加权MRI提取的影像组学与监督深度学习特征，并在专家监督下使用GPT辅助建模；其结论针对病理完全缓解预测这一设定，GPT辅助流程的性能与人工开发模型大致相当，可能减少技术工作量并促进集成模型开发。
当前文本为摘要性内容，未包含图表和完整方法细节；读者可能关注GPT辅助流程在不同中心、不同MRI采集参数下的稳定性，以及前瞻性多中心验证队列中AUC为0.700对0.706的差异在更广泛人群中的表现，这些可作为后续验证的开放问题。