编辑推荐：
为解决放射性肺炎（RP）这一胸部放疗常见副作用的预测难题，研究人员基于模拟定位 CT 和剂量学图像，结合临床参数，开发深度学习影像组学与剂量组学列线图（DLRDN）模型。结果显示 DLRDN 预测≥2 级 RP（RP2）性能最佳，为临床精准评估提供新工具。
放射性肺炎（RP）是胸部放疗最常见的不良反应之一，严重影响非小细胞肺癌（NSCLC）患者的生活质量，甚至可能危及生命。目前，传统的剂量学参数如 V20、V30 和平均肺剂量（MLD）虽被用于预测 RP 风险，但因其仅能反映二维剂量分布，无法捕捉空间异质性，预测效能有限。随着人工智能技术的发展，影像组学（Radiomics）和深度学习（DL）在医学影像分析领域展现出巨大潜力，前者通过高通量提取医学图像的定量特征评估组织异质性，后者可自动学习原始图像中的高维数据信息。然而，多数研究仅采用单一模型预测 RP，缺乏多维度数据的联合分析。因此，开发一种整合多模态数据的精准预测模型，对优化 NSCLC 患者的放疗方案、早期识别高风险人群具有重要临床意义。
为填补这一研究空白，济宁医学院附属医院联合多家国内医院的研究团队开展了相关研究。该团队基于模拟定位 CT 和剂量学图像，结合临床参数，开发并验证了一种深度学习影像组学与剂量组学列线图（DLRDN）模型，旨在提高对 NSCLC 患者≥2 级放射性肺炎（RP2）的预测能力。研究成果发表在《Scientific Reports》上。
研究人员采用回顾性多中心研究设计，收集了来自三家医院的 245 例接受放疗的 NSCLC 患者数据。其中，医院 I 的 162 例患者按 7:3 比例随机分为训练队列和内部验证队列，另外两家医院的 83 例患者作为外部验证队列。研究中采用的关键技术方法包括：① 基于感兴趣区域（ROI，即全肺减去计划靶区 TL-PTV）从 CT 和剂量学图像中提取影像组学与剂量组学（RD）特征及 DL 特征；② 使用 t 检验和最小绝对收缩与选择算子（LASSO）进行特征筛选；③ 构建临床模型（CM）、RD 模型、DL 模型及联合模型 DLRDN，并通过受试者工作特征曲线下面积（AUC）、决策曲线分析（DCA）和校准曲线评估模型性能。
研究结果
临床特征与独立预测因子筛选
多变量分析显示，V20、V30 和 MLD 是 RP2 的独立预测因子，基于这三个临床因素构建的 CM 模型在训练队列、内部验证队列和外部验证队列中的 AUC 分别为 0.736、0.733 和 0.631，表明传统剂量学参数的预测能力有限。
影像组学与剂量组学特征筛选及模型构建
从 TL-PTV 区域提取的 214 个 RD 特征中，筛选出 7 个与 RP2 密切相关的特征（4 个影像组学特征和 3 个剂量组学特征），采用逻辑回归（LR）构建 RD 模型，其在训练队列、内部验证队列和外部验证队列的 AUC 分别为 0.775、0.783 和 0.637。同时，基于 3D ResNet50 架构从 CT 和剂量学图像中提取 4096 个 DL 特征，筛选出 10 个特征构建 DL 模型，其平均 AUC 为 0.888±0.053，显示出较高的预测稳定性。
联合模型 DLRDN 的性能评估
将 RD 评分、DL 评分与独立临床特征结合构建的 DLRDN 模型表现最佳，在训练队列、内部验证队列和外部验证队列的 AUC 分别为 0.891（95% CI 0.826–0.957）、0.825（95% CI 0.693–0.957）和 0.801（95% CI 0.698–0.904），显著优于单一模型。DCA 显示 DLRDN 在广泛的阈值概率范围内具有更高的净获益，校准曲线也表明模型预测值与实际观察值吻合良好。
研究结论与讨论
本研究开发的 DLRDN 模型通过整合影像组学、剂量组学、深度学习特征及临床参数，显著提升了 NSCLC 患者 RP2 的预测效能。研究结果表明，多维度数据的联合分析能够捕捉传统剂量学参数未涵盖的空间异质性和组织微环境信息，为 RP 风险评估提供了更全面的视角。例如，影像组学中的纹理特征（如灰度依赖矩阵衍生的 DNNUN）可反映肺组织的结构异质性，而剂量组学特征则补充了三维剂量分布的空间信息，两者与 DL 特征的结合进一步增强了模型的预测能力。
尽管研究存在样本量较小、地域局限性等不足，但多中心验证结果显示 DLRDN 具有良好的泛化能力。该模型有望成为临床决策支持工具，帮助医生在放疗前对患者进行风险分层，针对高风险患者制定个体化治疗方案，如调整放疗剂量、加强影像监测或早期干预，从而降低 RP 发生率，改善患者预后。本研究为基于人工智能的放疗毒性预测提供了新范式，推动了精准肿瘤学在胸部放疗中的应用。
