编辑推荐：
为解决头颈部癌放疗中放射性皮炎（RD）预测难题，韩国龙仁延世医院研究人员开展基于热成像预测≥2 级 RD 的研究。结果显示热成像可构建预测模型，这对临床决策意义重大，推荐科研读者阅读。
在癌症治疗的领域中，放射治疗（radiotherapy）是对付头颈部癌症（head and neck cancer，HNC）的重要手段之一。然而，它有个让人头疼的 “副作用”—— 放射性皮炎（Radiation Dermatitis，RD）。这可不是个小问题，大多数接受头颈部癌症放射治疗的患者都会遭遇它。急性放射性皮炎带来的瘙痒、疼痛，还有可能引发的二次感染，不仅严重降低了患者的生活质量，甚至还可能导致治疗中断，就像一场突如其来的暴风雨，打乱了整个治疗计划。
为了提前 “对付” 放射性皮炎，医生们一直努力寻找能预测它发生的方法。之前，虽然发现了一些临床和剂量学因素可以作为预测放射性皮炎严重程度的指标，但这些方法存在不少缺陷。一方面，它们往往只关注放疗前确定的因素，却忽略了与放射性皮炎发生的生理机制直接相关的参数。另一方面，仅依靠临床和剂量学因素构建的预测模型，没办法反映出个体由于细胞因子基因多态性等内在因素导致的放射敏感性差异。打个比方，就好像用一把 “通用钥匙” 去开所有的锁，效果自然不尽如人意。
有没有更好的办法呢？这时，热成像技术（thermal imaging）进入了人们的视野。热成像作为一种无创、非接触的检测方法，在评估无症状毒性反应和可见的放射性皮炎症状方面，有着独特的潜力。在乳腺癌患者的研究中，已经有不少热成像特征被发现与放射性皮炎的严重程度有关。不过，在头颈部癌症患者中，热成像特征与放射性皮炎等级之间的联系还没有明确建立，而且也没有一个预测严重放射性皮炎发生的模型。要知道，头颈部癌症患者对外观变化十分在意，放射性皮炎发生在头颈部这些显眼的部位，对他们来说影响更大。所以，针对头颈部癌症患者，单独评估热成像特征预测放射性皮炎严重程度的能力，就显得尤为重要。
在这样的背景下，来自韩国龙仁延世医院（Yongin Severance Hospital）的研究人员决心攻克这个难题。他们在《BMC Cancer》期刊上发表了一篇名为 “Development and validation of a thermal imaging feature-based machine learning model for predicting grade ≥2 radiation dermatitis in head and neck cancer patients during radiotherapy” 的论文。通过一系列研究，他们发现热成像或许能用来开发一个预测头颈部癌症患者放疗早期放射性皮炎的模型。而且，颈部表面热成像特征的早期变化，有可能成为判断治疗过程中是否会发生 2 级及以上放射性皮炎的关键因素。这一发现意义重大，就像是给医生们提供了一个 “早期预警系统”，让他们能针对每个患者的具体情况，更好地制定放射性皮炎管理决策。
研究人员为了开展这项研究，用到了几个关键技术方法。首先是热图像采集，他们使用 FLIR E85 红外相机，每周从患者颈部左右两侧采集热图像。采集时，患者要处于治疗后的特定姿势，并且要去掉遮挡照射区域皮肤的热塑性面罩和衣物。为了保证测量的准确性和一致性，相机距离患者左右侧约 1 米，在同一治疗室进行测量，并且将发射率固定为 0.8。
采集到图像后，就要进行数据处理和特征分析。研究人员先把热图像从量化像素（jpeg 文件）转换为温度值，分辨率为 0.1°C，再通过刚性图像配准减少不同时间点热图像之间的位置差异，用大津法（Otsu’s threshold method）去除背景，定义感兴趣区域（region of interest，ROI）来提取热成像特征。考虑到热成像中绝对温度值存在一定误差，他们把 ROI 中的像素值转换为相对温度尺度，计算相对热图像的差异图，从中提取 91 个放射组学特征。同时，依据不良事件通用术语标准（Common Terminology Criteria for Adverse Events，CTCAE）v.5 指南评估放射性皮炎的严重程度，计算感兴趣区域的广义等效均匀剂量（generalized equivalent uniform dose，gEUD）。
最后是特征选择和放射性皮炎预测。研究人员训练基于机器学习（machine learning，ML）的分类模型来预测 2 级及以上放射性皮炎的发生。他们用最小冗余最大相关性特征选择（mRMR）方法和最小绝对收缩和选择算子（LASSO）进行特征选择，再用支持向量机（support vector machine，SVM）、梯度提升决策树（gradient-boosting decision tree，GBDT）和逻辑回归（logistic regression，LR）等模型进行预测，通过网格搜索算法选择模型的超参数，用 0.632 + 自举重采样法训练和验证模型，用受试者工作特征曲线下面积（AUC）、精确度和灵敏度来评估模型的预测性能。
接下来看看研究的具体结果。研究人员从 19 名患者身上总共在 101 个时间点收集了热图像，每人平均采集 5.9 次，一共分析了 202 张图像。在这 19 名患者中，有 14 人（73.7%）在治疗期间出现了干性脱皮和 2 级及以上放射性皮炎。
研究人员发现，不同累积 gEUD 范围的热成像特征训练的 ML 模型预测性能有所不同。整体来看，用累积 gEUD 范围 10 - 20Gy 提取的热放射组学特征集训练的 ML 模型，在预测放射性皮炎方面表现最佳。这个范围对应的是放疗开始后前两周，也就是说，这个时间段采集的热图像对预测 2 级及以上放射性皮炎的发生最有效。
研究人员进一步选择了这个范围内的 54 张热图像进行特征选择和模型开发。通过分析，确定了三个热成像特征：GLDM 依赖方差、GLSZM 大面积低灰度强调（LALGLE）和 GLCM 逆差归一化（Idn）作为输入特征。在累积 gEUD 10 - 20Gy 范围内，GBDT 模型的 AUC 最高，达到 0.75；SVM 模型各项指标都大于 0.6，被选为代表性模型。SVM 模型在 0.632 + 自举重采样法下，AUC 为 0.71，精确度为 0.68，灵敏度为 0.70。
从这些结果中，研究人员总结出不少重要信息。热成像特征有望成为头颈部癌症患者 2 级及以上放射性皮炎的生物标志物。皮肤温度的变化可以有效监测与 2 级及以上放射性皮炎发生直接相关的生理反应，而且这种监测与肿瘤类型和治疗技术无关。不过，和乳腺癌放射性皮炎预测模型相比，本次研究模型的 AUC 值相对较低，可能是因为数据集较小和治疗技术的差异。所以，想要提升 ML 模型的预测性能，还需要进一步探索其他模型，利用包括热成像和临床特征在内的多模态数据集。
研究还发现，大多数被选作预测放射性皮炎严重程度的热放射组学特征都和温度均匀性有关。这说明皮肤热图中的纹理变化或许是预测放射性皮炎的一个重要因素，但还需要更多研究来确定，并且要排除临床和成像参数（比如图像分辨率）的影响。
另外，用热图像预测放射性皮炎的方法在临床上有很大的应用潜力。它能帮助医生决定早期支持性护理干预措施，制定降低严重放射性皮炎风险的策略。而且，研究人员用患者颈部左右两侧的热图像作为独立数据训练和评估预测模型，这样不仅能预测 2 级及以上放射性皮炎的发生，还能估计其发生位置。热图像采集在治疗室进行，每次平均不到两分钟，操作起来比较方便。
当然，这项研究也存在一些不足之处。一方面，样本量较小，放射性皮炎严重程度只分为两级，而且小样本训练的 ML 模型可能存在过拟合风险，模型还需要在更大规模、包含不同治疗方式的患者队列中进行验证。另一方面，热图像采集和 ROI 划定都是手动操作，不仅耗费人力，还可能存在偏差和变异性。未来可以开发结合热图像和彩色图像的数据处理模块，引入基于解剖结构的自动 ROI 划定系统，提高数据的可重复性。
总的来说，这项研究为头颈部癌症患者放射性皮炎的预测开辟了新的道路。热成像技术结合机器学习模型，让我们看到了早期预测放射性皮炎的希望。虽然目前还存在一些问题，但随着研究的不断深入，相信在未来，医生们能更准确地预测和应对放射性皮炎，为患者减轻痛苦，让放射治疗更加安全、有效。就像在黑暗中点亮了一盏明灯，为癌症治疗的道路照亮了方向，指引着科研人员和医生们不断前进，去攻克更多的医学难题。
