基于PET/CT深度学习与多组学特征融合预测肺癌患者放射性肺炎的创新模型研究

《BMC Medical Imaging》：Integrating deep learning and multi-omics features in radiation pneumonitis prediction for lung cancer patients using PET/CT

本研究针对肺癌放疗中放射性肺炎（RP）预测难题，创新性整合PET/CT影像组学、剂量组学（Dosiomics）与深度学习（DL）特征，构建多模态预测模型。通过206例训练数据和27例外部验证表明，联合模型（R+D+DL）在训练、内部验证和外部验证队列中AUC分别达0.93、0.92和0.89，显著优于单一模态。结合临床因素构建的列线图（Nomogram）AUC提升至0.94，为VMAT（容积旋转调强放疗）个体化放疗方案优化提供重要工具。

　　

当肺癌患者接受放疗时，放射性肺炎（Radiation Pneumonitis, RP）如同潜伏的阴影，成为影响治疗效果的关键障碍。尽管现代放疗技术如VMAT（Volumetric Modulated Arc Therapy，容积旋转调强放疗）已显著提升肿瘤控制率，但仍有9%-49%的患者会遭遇RP的困扰，其中约15%可能发展为威胁生命的严重肺炎。更棘手的是，临床上一直缺乏精准的预测工具，传统剂量学参数如V20、MLD（Mean Lung Dose，平均肺剂量）预测能力有限，医生们往往只能在肺炎发生后才采取应对措施。

在这一背景下，温州医科大学附属第一医院放疗科团队在《BMC Medical Imaging》发表了一项突破性研究。他们巧妙利用放疗前常规采集的PET/CT图像，构建了一个融合多维度信息的智能预测系统。该研究最大的创新在于同时挖掘了影像组学（Radiomics）、剂量组学（Dosiomics）和深度学习（Deep Learning, DL）三大特征体系的预测价值，并通过机器学习算法进行有机整合。

研究人员首先面临的关键挑战是如何有效融合不同模态的医学图像。他们采用了双策略融合方案：基于特征的融合（R_fFU）将CT和PET分别提取的特征进行整合，而基于图像的融合（R_iFU）则通过6:4的配比将CT灰度图像与PET伪彩图像进行叠加，生成全新的融合图像。这种多层次融合策略确保了解剖结构与功能信息的完整保留。

为开展此项研究，团队回顾性收集了两个医疗中心的233例肺癌VMAT放疗病例，其中训练集206例来自本院，外部验证集27例来自协作医院。所有患者均在接受放疗前3个月内完成18F-FDG PET/CT检查。研究严格遵循IBSI（Imaging Biomarker Standardization Initiative，影像生物标志物标准化倡议）标准，使用PyRadiomics工具从CT、PET及融合图像中提取了1288个定量特征，同时通过Plastimatch软件从剂量分布图中提取剂量组学特征。

在技术方法上，研究团队采用了两阶段特征筛选策略：先通过Mann-Whitney U检验初步筛选显著特征（p<0.05），再运用LASSO（Least Absolute Shrinkage and Selection Operator，最小绝对收缩和选择算子）回归进行精细化特征选择，最终保留16个最具预测价值的特征。深度学习特征提取则采用了ResNet-18等经典网络架构，从图像中自动学习512维深度特征，并同样进行特征筛选。四种机器学习算法（LR、DT、SVM、XGBoost）被用于模型构建，并通过严格的内部验证和外部验证评估模型性能。

模型性能比较结果显示多模态融合的显著优势

单一模态预测模型中，CT影像组学（R_CT）在验证集的AUC为0.72-0.75，PET影像组学（R_PET）为0.74-0.78，而图像融合模型（R_iFU）则将AUC提升至0.79-0.85。剂量组学模型（D）单独预测能力为0.77-0.81。深度学习模型中，基于融合图像的DL_FU模型表现最佳（AUC 0.72-0.81）。值得注意的是，XGBoost算法在多数模型中展现出最优性能，成为后续整合模型的首选基础。

多特征整合实现预测效能跨越式提升

当研究人员将最优影像组学特征、剂量组学特征与深度学习特征进行整合时，模型预测能力实现质的飞跃。R+D+DL联合模型在训练集、内部验证集和外部验证集的AUC分别达到0.93、0.92和0.89，且准确率、敏感性和特异性均保持在0.82以上。这一结果显著优于任何单一模态模型，证明多维度特征间存在明显的互补增强效应。

临床实用工具开发助力个体化放疗决策

为进一步提升临床适用性，团队将影像学特征与临床因素相结合，构建了包含性别、适应性放疗（Adaptive RT）、SUVp90（标准摄取值90百分位数）和XGBoost评分的列线图。这一可视化工具在训练队列中AUC高达0.94，决策曲线分析（Decision Curve Analysis, DCA）显示其在广泛阈值范围内具有显著的临床净获益。校准曲线显示预测概率与实际结果之间具有良好一致性。

特征重要性分析揭示深度学习的主导贡献

通过特征重要性分析和SHAP（Shapley Additive exPlanations）值解析，研究发现深度学习特征“deep.7”对模型预测的贡献度达10%，远高于传统影像组学特征（平均3.9%）和剂量组学特征（平均3.2%）。蜜蜂群图显示DL特征在正负样本预测中均发挥关键作用，而某些形态学特征如“original_shape_Flatness”则更擅长识别阳性样本。这一发现为未来特征工程优化提供了重要方向。

该研究的结论部分强调，基于PET/CT的多组学特征融合策略为RP预测提供了全新范式。特别是SUVp90这一功能性参数的纳入，弥补了传统解剖影像的不足，使模型能够捕捉到肺组织潜在的炎症状态。尽管外部验证队列样本量有限可能影响统计效能，但模型展现的稳定性能已充分证明其临床转化潜力。

这项研究的深远意义在于，它首次系统验证了PET功能影像在RP预测中的独立价值，并开创性地将深度学习特征与传统影像组学、剂量组学进行三维度整合。相较于既往研究多局限于单一模态分析，这种“全景式”特征挖掘策略更符合临床决策的复杂性需求。未来，随着多中心大样本数据的进一步验证，这一预测模型有望成为肺癌放疗前风险评估的标准工具，为实现真正意义上的个体化放疗奠定坚实基础。