基于SHAP值的双模态影像组学预测宫颈癌同步放化疗患者血液毒性的研究

编辑推荐：针对局部晚期宫颈癌同步放化疗(CCRT)中血液毒性(HT)预测难题，长沙市中心医院团队创新性整合放射组学(Radiomics)和剂量组学(Dosiomics)特征，采用SHapley Additive exPlanations(SHAP)多步特征选择策略构建XGBoost模型，测试集AUC达0.81，较单模态模型提升显著，为个性化治疗策略优化提供新工具。

　　

宫颈癌作为全球女性第四大常见恶性肿瘤，每年导致约35万例死亡。尽管同步放化疗(CCRT)是局部晚期宫颈癌的标准治疗方案，但高达30%患者会出现3-4级血液毒性(HT)，严重影响治疗进程和预后。传统预测方法主要依赖临床参数和剂量体积直方图(DVH)，难以捕捉个体化异质性。长沙市中心医院联合郴州市第一人民医院等机构的研究团队在《Discover Oncology》发表创新研究，通过融合CT影像的放射组学特征和放疗计划的剂量组学特征，结合博弈论启发的SHAP值特征选择方法，建立了高精度的HT预测模型。

研究采用回顾性队列设计，纳入205例FIGO IIB-IVA期宫颈癌患者数据，通过3D Slicer软件从骨盆骨髓ROI提取851维放射组学和剂量组学特征。关键技术包括：1) 小波变换增强特征敏感性；2) SHAP值驱动的单步/多步特征选择策略；3) ADASYN算法处理数据不平衡；4) XGBoost模型五折交叉验证优化。研究比较了两种特征整合方案，发现多步选择方案显著提升模型性能。

2.1 数据收集与处理

研究严格筛选201例符合标准的患者数据，其中61例(29.76%)发生严重HT。数据集按7:3比例分割，采用分层抽样保持类别平衡。所有特征经z-score标准化，小波变换生成8种分解图像以捕捉细微纹理变化。

2.2 特征提取与选择

从原始CT和剂量分布图中提取14类形状特征、18类一阶统计特征及5类纹理特征矩阵(GLCM/GLSZM/GLRLM等)。SHAP分析显示，多步选择方案筛选的84个关键特征中，70个来自小波变换图像，56个为纹理特征，证实了微观结构变化对HT预测的重要性。

3.1 模型性能比较

单步选择方案最佳模型(AUC=0.79)使用20个特征，而多步方案最佳模型(AUC=0.81)采用60个特征，敏感性提升至0.75。值得注意的是，混合模型显著优于单一模态模型(放射组学AUC=0.78，剂量组学AUC=0.76)，验证了多模态整合的优势。

3.2 特征重要性解析

SHAP值排名显示，Wavelet-HLH_glszm_SmallAreaLowGrayLevelEmphasis_RT(剂量组学小波特征)和Wavelet-HLH_glcm_SumSquares_CT(放射组学小波特征)最具预测力。所有TOP10特征均来自纹理分析，表明骨髓微结构变化比宏观剂量参数更能反映HT风险。

4.1 临床转化价值

该研究首次证明双模态组学结合SHAP解释性分析可提高HT预测精度，使临床医生能提前调整化疗剂量或加强支持治疗。多步特征选择方案通过分阶段优化特征子集，比传统单步法更有效挖掘跨模态协同效应。

4.2 局限与展望

当前样本量限制模型泛化能力，未来需开展多中心验证。深度学习方法可能进一步挖掘隐含特征。研究者建议将模型整合到放疗计划系统，实现实时风险预警。

结论部分强调，这项研究为宫颈癌CCRT治疗建立了首个基于SHAP的双模态组学预测体系，多步选择方案使测试集特异性达0.83，为精准放疗决策提供了可靠工具。该方法框架可扩展至其他癌症的毒性预测领域，推动放射组学向临床实践转化。