综述：超越标准放疗：头颈部鳞状细胞癌（HNSCC）患者个性化放疗的AI驱动框架与四步分类法

本综述系统评估了人工智能（AI）驱动模型在头颈部鳞状细胞癌（HNSCC）个性化放疗中的潜力。文章指出，基于影像组学（Radiomics）的AI模型能够整合多模态（如CT、MRI、PET）和多时相（治疗前、中、后）影像数据，有效预测生存结局（如OS、PFS）、治疗反应及放射性不良反应（rAEs），其预测效能（C-index或AUC常>0.70）展现出巨大临床价值。作者进一步提出了一个创新的“四步分类”AI驱动框架，旨在为未来基于AI模型的随机对照试验（RCT）提供模板，推动放疗向个体化精准肿瘤学迈进。

　　

引言

头颈部癌症（HNC）已成为一个日益严峻的健康问题，其中头颈部鳞状细胞癌（HNSCC）占其病例的90%以上。尽管发病率有所上升，但患者的五年总生存率（OS）仍停滞在约50%左右，这凸显了个性化精准治疗的迫切需求。传统的生物标志物因其依赖单一空间区域或时间点而受限，而影像组学（Radiomics）作为一种新兴的影像分析方法，能够对肿瘤表型和瘤周微环境进行体素级的定量表征，为捕捉时空异质性提供了多维视角。

当前放疗策略

目前，治疗决策仍主要基于传统的肿瘤-淋巴结-转移（TNM）分期。对于早期HNSCC患者（T1-2N0），根治性放疗（RT）和手术可获得相似的长期生存率。对于局部晚期患者，同步放化疗（CRT）是基石策略。此外，质子放疗（PRT）、重离子治疗（HIT）等新技术也显示出潜力。然而，肿瘤异质性导致局部晚期病例的临床结局存在显著差异，标准治疗方案面临挑战。

个性化放疗的尝试

放射肿瘤学家的重要目标是优化治疗比，即在提高疗效的同时预防或减轻放射性不良事件（rAEs）。个性化放疗的关键环节包括靶区体积、剂量分割和处方剂量。其中，临床靶区体积（CTV）的勾画尤为关键。国际共识推荐的“5+5 mm扩展”CTV边界虽试图减少治疗变异性，但并不能保证完全覆盖微观肿瘤扩展或避免不必要的正常组织照射，存在几何不确定性。基于诱导化疗（IC）后肿瘤缩小的减量放疗，以及在选择性条件下（如临床N0-N1期疾病）的受累野照射（IFI），是当前个性化尝试的方向，但其在HNSCC中的应用仍需更多临床证据支持。

影像组学

影像组学通过从医学图像中提取大量定量特征，以非侵入性方式揭示肿瘤的空间和时间异质性。与依赖主观视觉评估的传统影像学不同，影像组学提供了客观、量化的方法。它整合了多模态（CT、MRI、PET等）和多时相（治疗前、中、后）影像，其特征反映了与基因表达模式和肿瘤微环境密切相关的瘤内和瘤周异质性。

影像组学在个性化放疗中的潜在应用

影像组学被认为是连接医学影像与个体化医疗的桥梁，其在个性化放疗方案中的应用前景广阔，主要体现在以下几个方面：

预测治疗效果

• •
  预测治疗结局：基于单一影像组学特征（RFs）或结合临床风险因素的模型，已显示出预测HNSCC患者总生存期（OS）、无进展生存期（PFS）、局部控制率（LC）等多种临床终点的能力。研究表明，来自瘤内和瘤周不同区域感兴趣区（ROIs）的特征，以及治疗中期（如放疗中）的影像特征，可能具有更高的预测效能（AUC可达0.79-0.82）。
• •
  预测治疗反应：影像组学模型可用于预测患者对根治性RT、CRT、IC+CRT等不同治疗模式的反应。Delta影像组学通过计算同一肿瘤在不同治疗时间点（如每周CBCT）的特征值变化（Δ特征），能动态监测并预测治疗反应。
• •
  预测重新计划需求：HNSCC患者在长达6-7周的放疗过程中，常因肿瘤退缩和体重减轻导致解剖结构变化，影响放疗精度。基于计划CT或锥形束CT（CBCT）的影像组学特征可预测需要重新计划的事件（如热塑面膜不适配、早期体积偏差），有助于及时进行适应性放疗（ART）。

预测毒性反应

头颈部放疗涉及大量危及器官（OARs），高剂量照射可能导致严重的rAEs，影响患者生活质量（QoL）。结合影像组学和剂量学（Dosiomics）数据，可在放疗前预测急性和晚期rAEs风险，从而个体化调整剂量分布。

• •
  唾液腺：口干症（Xerostomia）是最常见的rAEs。预测模型常结合腮腺、颌下腺的影像特征和剂量分布。
• •
  大脑：放射性颞叶损伤（RTLI）是鼻咽癌（NPC）患者的一种晚期毒性。大型研究显示，结合计划CT影像组学特征和剂量数据的剂量组学风险模型能有效预测RTLI（C-index达0.811），并指导个体化调强放疗（IMRT）。
• •
  黏膜、肌肉和骨骼：影像组学模型在预测放射性黏膜炎、吞咽困难（Dysphagia）、张口困难（Trismus）以及放射性骨坏死（ORN）等方面展现出潜力。不同功能结构（如咽缩肌、咀嚼肌）可能需要特定的最优预测模型。

比较分析与关键发现

基于多模态、多时相组学数据的模型不断涌现。AI预测和引导的个性化放疗应纳入时空动态变化。Delta影像组学值得深入研究。然而，增加更多数据并不总能提高预测准确性，过多协变量可能产生冗余。模型性能也取决于所用算法。对于毒性预测，最佳生物标志物具有结构特异性。

当前挑战与局限

影像组学AI模型的广泛应用面临标准化、可重复性和泛化性等挑战。大多数研究是回顾性的，样本量小，缺乏独立或多中心数据集的外部验证。深度学习模型的“黑箱”特性也影响了临床医生的信任度。可解释人工智能（XAI）方法（如SHAP、LIME）正被用于解决此问题。此外，伦理和患者数据匿名化也是需要考虑的问题。

展望

肿瘤在接受治疗时不断变化，因此静态的标准治疗存在局限。个性化放疗不仅定制治疗方案，还倾向于动态监测肿瘤反应并适应性调整治疗策略。目前，评估AI在HNSCC放疗中应用的前瞻性随机对照试验（RCT）仍较少。一些试验如RadiomicART（NCT05081531）、ARCHERY（NCT05653063）等正在探索中。SPIRIT-AI扩展和ESTRO/AAPM联合指南等共识正逐步完善AI临床应用的规范。

基于此，作者提出了一个AI驱动的个性化放疗框架，包含四步分类法，对应于HNSCC管理的不同时期，可为未来随机对照试验的设计提供参考：

1. 1.
   分类1（放疗前）：整合临床、影像、组织学、遗传和剂量学数据，预测治疗反应、生存结局、复发模式、毒性和重新计划需求，从而进行风险分层，指导治疗升级（如扩大靶区、提高剂量）或降级。
2. 2.
   分类2（治疗中）：利用CBCT、MVCT或中期CT/MRI/PET等影像，分析影像组学变化（Delta影像组学），重新评估结局，实现AI驱动的适应性计划调整。
3. 3.
   分类3（治疗后随访）：基于风险分类制定个体化随访计划，预测晚期毒性及其治疗反应，进行主动干预。
4. 4.
   分类4（复发与挽救治疗）：预测肿瘤进展风险和二次复发部位，指导基于AI模型的再程放疗，而非单纯姑息治疗。

结论

人工智能在所有阶段个性化放疗方面都具有巨大潜力。整合多组学与大数据，结合更复杂、可解释的算法，有望推动治疗向个体化精准肿瘤学发展。