近日，Nature Communications在线发表上海交通大学转化医学研究院姚思琼团队成果“Explainable multimodal deep learning for predicting thyroid cancer lateral lymph node metastasis using ultrasound imaging”，同年9月3日入选期刊癌症领域编辑亮点论文。论文主通讯作者为上海交通大学转化医学研究院姚思琼助理研究员，共同通讯作者为上海交通大学生命学院与转化医学研究院吕晖、上海市第四人民医院刘晟及上海交通大学医学院附属瑞金医院蔡伟。文章第一作者为上海交通大学生命学院博士生申鹏程，共同第一作者为上海交通大学医学院附属瑞金医院杨哲宇及上海市第四人民医院孙晶晶。参与人员还包括徐州第四人民医院王云、江苏省南通大学医学院裘澄、上海市儿童医学中心王依柔及上海交通大学转化医学研究院任永永。
团队开发的LLNM-Net框架首次实现甲状腺癌侧区淋巴结转移（LLNM）术前精准预测（AUC 0.944，高危预警AUC 0.983），并提供临床机制解释，填补LLNM评估手段空白，具有重要临床意义。
论文链接：https://www.nature.com/articles/s41467-025-62042-z
【研究出发点】
在甲状腺癌临床诊疗中，术前精准预测颈部淋巴结转移（LLNM）状态对制定个体化治疗方案和改善预后至关重要。然而目前精准预测 LLNM面临多重挑战：转移路径复杂（如跳跃性转移）、超声筛查敏感性低、个体淋巴网络差异大及侧区淋巴结位置隐蔽导致活检困难。当前AI辅助研究过度聚焦形态特征提取，对空间位置信息的量化建模严重不足，卷积模型仅能捕获局部细节而难以处理拓扑关系，导致形态学与位置特征融合受限，难以满足临床精准评估需求。
【模型架构】
如图1所示，LLNM-Net创新性地设计了前景优化分割网络，实现甲状腺结节的精准分割，并提取内部形态、边缘、回声差异及形状等关键形态学特征。同时提出CPDT（Central Point Distance Transformation）方法，首次将结节空间位置信息量化为可计算特征向量。基于双向注意力交换机制的多模态Transformer架构，深度融合影像、临床报告及人口统计学数据，为LLNM预测提供高可解释性精准量化工具。
图1. LLNM-Net网络架构
【预测结果及可解释性研究】
LLNM-Net在外部测试集验证中AUC达0.944（95% CI: 0.942–0.945），准确率达0.847（95% CI: 0.840–0.854），显著提升人类专家（准确率0.643；配对t检验，t=1.998, P=0.0473）预测能力。图2可视化LLNM机制。图2a通过CPDT结构化结节空间位置特征，精准定位高风险区域；图2b显示结节至甲状腺被膜的最小距离与LLNM概率呈显著负相关（距离<0 .25 cm时，平均概率>72%）；图2c基于微分同胚仿射变换与统计分析构建甲状腺不同生长区域的结节发生LLNM的三维风险热图（可访问：https://snowinbio.github.io/LLNM-Net/），提示左叶中上部及右叶上部内外侧为高风险区域，可能与淋巴转移通路相关；图2d 可通过滑窗结节生长位置，实时输出LLNM风险值，为临床决策辅助性提供定性定量化依据。
图2. 预测结果的定性定量化分析
图3展示基于LLNM的重要临床特征分析。发生 LLNM 分别与结节生长位置、整体形态学及内部形态学特征相关性为48.8%、29.9%及64.1%，性别因素占比56.7%。决策曲线分析显示，模型在阈值0.5时，侧区淋巴结细针穿刺活检（LLN FNA）识别率较基线提升47.4%，同时将不必要的活检率（针对LLNM阴性患者）降至5.3%。
图3. 注意力与决策曲线分析图
图4展示LLNM-Net对现有指南优化的临床价值。传统诊疗流程（图4a）严重依赖医生主观评估，易造成漏诊和误诊。LLNM-Net实现提供精准的术前LLNM风险预测（图4b），建议中高危患者行LLN FNA，显著提升诊疗能力与效率。
图4. LLNM-Net改善未来临床应用
【总结与展望】
本研究开发LLNM-Net框架，创新性设计多种特征提取模块，并基于双向注意力机制融合多模态数据，实现甲状腺癌LLNM精准预测（AUC=0.944，高危预警AUC=0.983），显著优于人类专家（准确率0.643）及现有模型。模型量化提示结节-包膜距离≤0.25 cm时转移风险>72%，中上叶区域转移概率显著升高，为手术策略制定提供客观参考。通过可解释性机制解析肿瘤位置与病理侵袭性关联，填补LLNM术前预测空白，推动诊疗向AI+精准医疗范式转型，为临床指南更新提供循证支持。
相关链接：
https://www.nature.com/articles/s41467-025-62042-z
https://www.nature.com/ncomms/editorshighlights
