梁晓坤团队开发CerviPro模型，助宫颈癌放疗精准决策

🔍 一、产品介绍

CerviPro 是由中国科学院深圳先进技术研究院医工所副研究员梁晓坤团队，联合北京协和医院、空军军医大学西京医院等顶尖医疗机构共同开发的宫颈癌放疗预后预测模型。它通过整合治疗前后CT影像、影像组学特征和临床数据，构建多模态深度学习框架，精准识别复发高风险患者，为个体化放疗决策提供智能支持。

核心价值：

• 解决传统FIGO分期无法区分的肿瘤生物学异质性难题；
• 降低30%复发风险患者的漏诊率，同时避免低风险患者承受过度治疗的毒性和费用负担。

👥 二、适用人群

⚙️ 三、核心功能与技术实现原理

1. 多模态数据深度融合

• 技术原理：整合三类关键特征：
  • CT基础模型深度特征：基于预训练CT基础模型提取8192维高维特征，PCA降维至30维保留预后关键信息；
  • 影像组学特征：从214个手工参数（形状/纹理/统计指标）筛选147个显著相关特征；
  • 临床变量：年龄、FIGO分期、肿瘤大小等9项数据。
• 优势：多源数据协同提升预测精度，内部验证AUC达0.86（单一模型仅0.69）。

2. 放疗敏感性动态评估

• 技术原理：对比治疗前后CT影像的肿瘤区域变化（基于3D U-Net自动分割，Dice评分0.87），捕捉放疗响应动态轨迹。
• 临床意义：首次实现治疗反应量化评估，指导调整放疗强度。

3. 自动化风险分层

• 技术原理：多层感知器（MLP）分析融合特征，输出无病生存期（DFS）预测及高/低风险分组。内部验证C-index达0.806，显著优于传统Cox模型（0.75）。

4. 跨中心适应性优化

• 技术原理：通过迁移学习更新模型参数（20%外部数据），外部验证AUC从0.64提升至0.79，解决设备/数据异质性挑战。

5. 开源可扩展架构

• 技术原理：代码开源（GitHub），支持接入更多生物标志物（如基因组数据），持续提升预测精度。

🛠️ 四、工具使用技巧

✅ 精准应用三步法

1. 数据输入：
   • 确保治疗前后盆腔CT影像层厚≤3mm；
   • 临床变量需包含FIGO分期、SCC抗原水平等9项必填字段。
2. 结果解读：
   • 高风险组（3年DFS＜50%）：建议联合免疫治疗或剂量提升；
   • 低风险组（3年DFS＞90%）：标准同步放化疗即可。
3. 持续优化：
   • 跨中心使用时，用本地20%数据微调模型，AUC可提升0.15。

🔗 五、访问地址

• 代码仓库：https://github.com/yangguang-siat/CerviPro
• 在线演示：（待开放，详见GitHub更新公告）

最后悄悄告诉你：团队下一步将整合MRI影像和循环肿瘤DNA数据，让预测更早、更准！✨