《Radiotherapy and Oncology》：Dynamic prediction of Radiotherapy toxicities in Head and neck cancer using clinical and imaging data
编辑推荐：
头颈部癌症放疗（HNC RT）毒性预测研究显示，临床特征（如早期体重下降）结合多分支3D ResNet50和多层感知机模型，预测鼻胃管置入、住院和放射坏死的准确率最高（70%-74.2%）。影像组学（Jacobian行列式、CBCT）和放射剂量特征未显著提升预测性能，但晚期放疗分次（如第25分次）对鼻胃管预测准确性提升至75%。结论强调临床数据主导的毒性预测模型更有效，需优化多模态数据整合策略。
C. Bang|H. Gautier|W.T. Le|A. Lalonde|G. Bernard|D. Markel|F. Nguyen-Tan|E. Filion|B. O’Sullivan|T. Ayad|A. Christopoulos|E. Bissada|L. Guertin|D. Soulières|L. Létourneau-Guillon|S. Kadoury|H. Bahig
蒙特利尔大学医院（CHUM），加拿大魁北克省蒙特利尔市
摘要
背景与目的
头颈部癌症放疗（HNC RT）虽然有效，但会引起显著的毒性反应。我们旨在开发一个动态深度学习模型，通过整合临床数据和每日锥形束CT（CBCT）图像，来预测三种主要的HNC RT毒性反应——鼻胃管（NG）放置、住院治疗和放射性坏死，并评估序列成像或剂量学特征是否能够提高早期预测的准确性。
材料与方法
我们回顾性分析了2017年至2022年间接受治疗的1,012名HNC RT患者。使用5折交叉验证方法训练了一个多分支3D ResNet50模型和多层感知器模型。输入数据包括来自每日CBCT的解剖结构变形数据（转换为雅可比行列式矩阵Jf）、放射组学信息以及临床变量（人口统计学特征、肿瘤和治疗细节、早期体重下降情况）。每种毒性反应均采用加权二元交叉熵损失函数进行建模，以解决类别不平衡问题。在放疗第10次治疗时，比较了是否整合Jf数据对预测结果的影响。
结果
研究人群中78%为男性，中位年龄为63岁（范围35–84岁）。主要肿瘤部位为口咽部（47%）、喉部（19%）和口腔（16%）。57%的患者接受了同步化疗和放疗，7%接受了诱导化疗，18%接受了术后放疗。鼻胃管放置、住院治疗和放射性坏死的发病率分别为16.6%、4.2%和4.6%。仅使用临床特征进行预测时，准确率最高：鼻胃管放置为70%，住院治疗为67.3%，放射性坏死为74.2%。早期使用Jf数据或放射组学信息并未提升预测效果。随着放疗次数的增加，鼻胃管放置的预测准确率有所提高（第25次治疗时达到75%）。
结论
结合临床数据和体重变化信息仍然是最可靠的早期预测方法，无需额外依赖影像学数据。
引言
头颈部癌症（HNC）是全球范围内一个重大的健康挑战，不仅增加了病例数量，还导致了大量的年度死亡病例（1）。放疗（RT）是HNC治疗的基本组成部分，通常与化疗或手术联合使用，占75%的治疗方案（2）。尽管放疗疗效已被证实，但大多数接受放疗的HNC患者仍会经历各种急性和慢性毒性反应，从而显著影响他们的生活质量和治疗结果[3]、[4]、[5]。
在头颈部癌症放疗（HNC RT）中，对个体患者风险进行分层评估是一项巨大的挑战（6）。开发预测HNC RT毒性反应的模型有助于识别高风险患者并据此调整治疗方案。然而，HNC的复杂性和异质性给这类模型的构建带来了困难[7]、[8]、[9]。现有的临床预测模型（如正常组织并发症概率（NTCP）模型）旨在对各种毒性反应的风险进行分层。然而，这些模型的预测能力受到患者特异性风险因素被排除以及相关放射组学特征被忽视的限制[10]、[11]、[12]。为了克服这些局限性并改进现有模型，研究人员探索了机器学习方法，取得了有希望的预测成果[13]、[14]、[15]。然而，这些模型尚未充分考虑放疗过程中可能发生的解剖结构变化。
每日锥形束计算机断层扫描（CBCT）用于监测放疗前后的解剖结构变化，能够精确确定靶区位置，生成捕捉放疗期间组织和器官动态变化的体积图像，为理解HNC毒性反应提供了宝贵的数据来源。尽管CBCT具有巨大潜力，但由于其图像质量相对于其他诊断方式较差，难以融入当前的标准诊疗流程。借助深度学习、硬件能力和基于计算机视觉的分析技术，卷积神经网络（CNN）在诊断放射学领域的大规模时间序列3D数据集中展现出特别的价值。例如，Humbert-Vidan等人成功应用了一个3D密集连接层神经网络（DenseNet121）来预测HNC RT引起的骨放射性坏死，该模型结合了3D下颌骨剂量分布图（16）。同样，Le等人采用了伪3D版本的残差CNN，将患者临床数据作为额外输入特征（17）。
在这项研究中，我们提出了一种基于多分支3D ResNet架构的创新方法（18），通过整合患者临床特征和每日CBCT的解剖特征以及CBCT与初始放疗计划CT（pCT）之间的变形数据（用雅可比矩阵Jf表示），动态预测HNC RT的毒性反应。
方法与材料
研究设计与患者群体
这项回顾性、单中心队列研究包括了2017年1月1日至2022年12月31日期间在我们机构接受根治性放疗的1,012名HNC患者。研究对象包括接受过放疗且伴有或不伴有新辅助/同步化疗及初次手术的患者。排除标准包括仅接受姑息性治疗的患者、放疗开始时已有鼻胃管或胃造口的患者，以及缺乏完整放射学数据的患者。
结果
研究共纳入了2017年1月1日至2022年12月31日期间在我们机构接受根治性HNC放疗的1,012名患者。患者中位年龄为63岁（范围35–84岁），其中78%（n=789）为男性，22%（n=223）为女性。24%（n=243）的患者有吸烟史。详细信息见表1。主要肿瘤部位包括口咽部（47%）、喉部（19%）和口腔（16%）。
讨论
本研究旨在评估将基于CBCT的Jf数据与临床参数结合用于预测HNC RT早期主要毒性反应的潜力。我们的主要发现是，仅基于临床特征的模型（这些模型在方法学上存在主观性和测量变异性方面的局限性）始终优于整合了影像学数据（包括Jf和剂量学信息）的模型。
结论
我们的研究强调了临床特征在预测HNC RT相关毒性反应中的主导作用。虽然从CBCT成像中获得的Jf数据提供了关于解剖结构变形的见解，但它并未显著提升预测性能。这些发现突显了继续改进预测建模方法的必要性，需要整合多模态数据来源以更好地对HNC RT患者进行风险分层和临床决策。
资助情况。
CRediT作者贡献声明
C. Bang：撰写初稿、可视化处理、验证、软件开发、项目管理、方法设计、数据分析、概念构思。H. Gautier：撰写、审阅与编辑、软件开发、方法设计、数据分析、正式分析。W.T. Le：撰写、审阅与编辑、软件开发、方法设计、数据分析。A. Lalonde：撰写、审阅与编辑。G. Bernard：。D. Markel：撰写、审阅与编辑。F. Nguyen-Tan：撰写、审阅与编辑。E. Filion：撰写、审阅与编辑。B. O’Sullivan：撰写、审阅
利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
