新辅助化疗联合免疫治疗（neoadjuvant chemo-immunotherapy, NACI）对局部晚期食管鳞癌（locally advanced esophageal squamous cell carcinoma, LA-ESCC）患者有效且安全，展现出良好的预后。然而，NACI的治疗反应存在显著个体差异，且缺乏可靠的病理完全缓解（pathologic complete response, pCR）预测标志物。本研究旨在开发基于影像-病理-临床特征的多模态深度学习模型（Neo-Radiopathomics），以联合预测NACI治疗的食管癌患者的pCR和生存结局。

本研究纳入浙江省肿瘤医院282例接受NACI治疗的ESCC患者，分为训练集（225例）和内部验证集（57例）。数据模态包括术前CT影像、苏木精-伊红（H&E）染色的数字病理图像及临床诊断信息。Neo-Radiopathomics模型整合CT影像的影像组学特征、基于病理大模型提取的病理组学特征及治疗相关的临床信息，采用跨模态自注意力机制捕获疗效与生存特征的交互作用，通过分类损失和生存损失加权监督模型训练。模型性能以曲线下面积（AUC）、准确率（ACC）、敏感性（Sensitivity）、特异性（Specificity）和生存指数（C-index）评估。

Neo-Radiopathomics在训练集和验证集均展现出优异的pCR和生存预测性能。训练集结果为：AUC 0.994（95% CI: 0.991-0.997）、ACC 0.985（0.979-0.991）、Sensitivity 1.000（1.000-1.000）、Specificity 0.981（0.973-0.989）、C-index 0.946（0.937-0.955）。验证集结果为：AUC 0.939（0.900-0.977）、ACC 0.887（0.853-0.920）、Sensitivity 0.868（0.809-0.927）、Specificity 0.892（0.855-0.928）、C-index 0.735（0.667-0.803）。消融实验表明，联合预测模式下，模型对pCR和生存任务的预测具有协同效应。转录组分析进一步揭示pCR与非pCR患者在生物学反应上的差异。

Neo-Radiopathomics模型通过整合影像、病理和临床信息，有效预测ESCC患者NACI治疗的pCR和生存结局，展现了多模态深度学习在精准分层患者风险和优化个体化治疗策略中的潜力。未来需进一步验证其泛化能力。