宋文华代表团队报告了题为“Serum SERS Combined with Machine Learning for Rapid Preoperative Diagnosis of Central Compartment Lymph Node Metastasis in Papillary Thyroid Carcinoma”的研究成果。该研究聚焦甲状腺乳头状癌中央区淋巴结转移术前精准评估这一临床难题，探索血清表面增强拉曼光谱（SERS）联合机器学习技术在无创风险预测中的应用价值。研究基于128例甲状腺乳头状癌患者术前血清样本，构建人工智能预测模型并比较8种机器学习算法性能。结果显示，基于血清SERS信息的机器学习模型能够有效识别中央区淋巴结转移风险，其中CatBoost模型表现最佳，AUC达到0.971，预测性能优于常规超声评估。该研究为甲状腺癌术前风险分层和个体化手术决策提供了新的无创辅助方法。

　　IFOS 2026研究四：构建头颈鳞癌远处转移预测与预后评估双模型

　　李昌岭代表团队汇报了题为“Multicenter, Externally Validated Machine-Learning Model For Individualized Distant Metastasis And Survival Prediction In Head And Neck Squamous Cell Carcinoma”的研究成果。团队整合SEER数据库与齐鲁医院真实世界临床数据，构建了远处转移风险预测和转移后生存评估双模型。研究发现，肿瘤原发部位、病理分级、N分期、淋巴结清扫范围以及放化疗状态是远处转移的重要预测因素，机器学习模型在独立外部队列中仍保持较好的判别能力。此外，研究进一步利用随机生存森林实现转移患者的个体化生存风险分层，并结合SHAP可解释性分析及在线预测工具，将模型结果转化为直观的临床决策信息。该研究从“是否发生远处转移”进一步延伸至“转移后预后如何”，为头颈鳞癌患者的精准随访、风险分层及个体化管理提供了新的数字化研究路径。