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
核心概要
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）。
深度剖析
提出并验证了一个基于注意力机制的多任务深度学习模型，可同时预测颈部淋巴结是否恶性转移及其原发部位。 相对既往单一任务或仅用影像的方法，该工作将ResNet+CBAM影像分支与DNN+Transformer临床特征分支在多任务框架下联合，并采用超分重建提升CT图像精度。 单中心回顾性设计，训练集1 829例、测试集457例，测试集良恶性AUC 0.851、原发部位Micro-AUC 0.819、Top-1/Top-3为79%/93%。
模型在真实CMSCCUP队列中仍保持较好判别能力，并对低年资医生形成辅助增益。 相对仅在已知原发灶数据上评估的做法，该研究额外纳入172例真实CMSCCUP队列（86例患者与86例正常对照）进行验证。 该队列中模型与金标准对比Micro-AUC为0.809、Top-3准确率88%，且对初级医生预测准确率的改善均P<0.001。
通过梯度加权类激活热图提供了模型关注区域的可视化证据。 相对仅报告数值指标的做法，热力图展示了模型重点关注的淋巴结分区及影像特征区域，为结果提供可解释性线索。 文中描述热力图清晰展示淋巴结分区及影像特征区域，属定性可视化证据。
启示与展望
该结果面向使用颈部增强CT与临床特征、需要判断颈部转移性鳞癌原发部位的临床辅助场景，尤其可能帮助经验较少的医生缩小原发灶排查范围；其结论建立在单中心回顾性数据与特定纳入标准之上，适用于与该研究人群和影像流程相近的情境。
读者仍会关注模型在多中心、不同扫描设备与人群中的表现，以及热力图所提示的关注区域与临床推理之间的一致性；此外，本次加载文本为摘要性内容，缺少图表与更细的分层结果，若需评估亚组表现与误差来源，仍需查阅原文完整资料。