基于机器学习驱动的CT影像数据预测乳腺癌放疗后肺毒性早期风险

针对乳腺癌放疗后肺纤维化预测难题，匈牙利研究团队通过机器学习分析242例患者CT影像的Hounsfield Unit(HU)参数与肺体积，开发出Fine Tree(83.1%测试准确率)、Kernel-based(81.9%)和kNN(100%)三类模型及人工预测因子HPF(72%)，揭示HU均值(ρ=0.23)与标准差(ρ=0.21)的显著相关性，为优化放疗方案提供新型生物标志物。

　　

论文解读

在乳腺癌治疗领域，放疗虽显著提升患者生存率至90%以上，但辐射诱导肺损伤(Radiation-Induced Lung Injury, RILI)仍是困扰临床的重要并发症。随着医学影像技术发展，CT扫描中Hounsfield Unit(HU)值能否成为预测肺纤维化的"预警信号"？这个问题的解答将直接影响个性化放疗方案的制定。

匈牙利马尔科乌索夫斯基大学教学医院联合核研究所的Tamás Ungvári团队在《Scientific Reports》发表的研究，首次系统评估了计划CT的HU参数与肺体积对RILI的预测价值。研究通过机器学习模型与人工预测因子(HPF)的双轨验证，不仅证实了影像特征与肺损伤的强关联性，更开创了放疗前风险评估的新范式。

研究采用三项关键技术：1) 回顾性队列分析242例乳腺癌患者(113例出现RILI)的CT影像数据；2) 应用MATLAB构建Fine Tree(100次分割)、Kernel-based(115维扩展)和kNN(84近邻)三类机器学习模型；3) 开发基于HU均值、标准差与肺体积的HPF计算公式。所有模型通过五折交叉验证，数据来源于医院2019-2021年的放疗计划系统。

结果

HU参数与肺体积分析
通过Mann-Whitney U检验发现，RILI组HU均值显著更高(-714.68 vs -749.11 HU，p=0.001)，标准差更大(146.47 vs 136.45，p=0.001)，肺体积更小(1453.97 vs 1667.1 cm³，p=0.003)。HPF值在纤维化患者中降低0.13→0.10(p<0.001)，证实其预测价值。

模型性能比较
Fine Tree测试准确率83.1%但验证仅54.1%，存在明显过拟合；kNN训练集达100%准确率但泛化能力弱；HPF虽准确率较低(72%)，但临床操作性更强。ROC曲线显示HPF的AUC为0.62，优于部分机器学习模型。

讨论
该研究突破性地证实计划CT的HU值变化可反映肺组织早期损伤，特别是HU均值>-720时风险显著增加。HPF模型将复杂影像特征简化为可量化指标，为临床决策提供即时参考。研究局限性在于样本量较小(242例)且未考虑剂量分布影响，未来需扩大队列验证。这项成果不仅为乳腺癌放疗优化提供新工具，更开创了影像组学在放射毒性预测中的新应用场景。