В многоцентровое ретроспективное исследование включили 186 пациентов с плоскоклеточным раком пищевода (ESCC) из трех медицинских центров. Участники были распределены в обучающую (n=80), внутреннюю валидационную (n=35) и внешнюю валидационную (n=71) когорты. Клинические данные извлекались из электронных медицинских карт, радиомные признаки — из предтерапевтических контрастно-усиленных КТ-изображений. Признаки глубокого трансферного обучения (DTLR) извлекались с использованием остаточной нейронной сети ResNet-50 и комбинировались с радиомными признаками.
Исследователи разработали одномодальные модели на основе клинических характеристик, радиомных признаков и DTLR-признаков отдельно, а затем построили мультимодальную комбинированную модель с использованием слияния на уровне решений.
Мультимодальная комбинированная модель продемонстрировала AUC 0.957 (95% CI: 0.917–0.996) в обучающей когорте, 0.922 (95% CI: 0.837–1.000) во внутренней валидационной когорте и 0.865 (95% CI: 0.783–0.948) во внешней валидационной когорте.
Комбинированная модель достигла более высоких значений AUC по сравнению с клинической, радиомной и DTLR-моделями во всех когортах, хотя приращение по сравнению с DTLR-моделью не достигло статистической значимости ни в одной когорте. Анализ кривых принятия решений (DCA) показал, что мультимодальная модель обеспечивает бóльшую клиническую пользу, чем каждая из одномодальных моделей.
Мультимодальная модель, интегрирующая клинические, радиомные и DTLR-признаки, продемонстрировала благоприятную эффективность для прогнозирования пищеводной фистулы после химио- и/или лучевой терапии у пациентов с плоскоклеточным раком пищевода. Эта модель может облегчить идентификацию пациентов высокого риска и помочь в оптимизации индивидуализированных стратегий лечения.

