深度学习剂量组学模型预测鼻咽癌放疗患者放射性皮炎风险：多中心联合研究

【编辑推荐】针对鼻咽癌(NPC)放疗后放射性皮炎(RD)的预测难题，研究人员创新性整合剂量组学(dosiomics)与深度学习(DL)技术，构建多中心联合预测模型。通过分析290例患者的剂量分布特征，结合ResNet-34网络提取的DL特征，最终开发的列线图模型在内外验证集中AUC达0.916/0.832，显著优于传统方法，为优化放疗方案提供精准决策工具。

　　

鼻咽癌(NPC)作为头颈部高发恶性肿瘤，其治疗过程中放射性皮炎(RD)的发生率高达95%，其中20%为严重病例，严重影响患者生活质量。传统基于剂量体积直方图(DVH)的预测方法因缺乏空间剂量分布信息，难以准确评估现代调强放疗(IMRT)技术下的皮肤毒性风险。剂量组学(dosiomics)虽能提取剂量分布异质性特征，但单独应用预测效能有限。

为解决这一临床痛点，来自温州医科大学等机构的研究团队在《Radiotherapy and Oncology》发表创新研究。该团队首次将深度学习(DL)与剂量组学特征融合，开发出可预处理预测RD≥2级的综合模型。研究纳入了来自两个医疗中心的290例NPC患者，采用ResNet-34卷积神经网络提取DL特征，结合25个关键剂量组学特征构建XGBoost模型。结果显示，联合模型在内部和外部验证集的AUC分别达到0.863和0.832，显著优于单一特征模型。最终整合免疫治疗、V₆₀
等临床因素的列线图更将预测精度提升至0.945（训练集）。

关键技术包括：1) 多中心回顾性队列设计（167/72/51例分组）；2) 基于CT剂量分布的剂量组学特征提取；3) ResNet-34深度学习特征挖掘；4) XGBoost机器学习建模；5) 临床-影像多参数列线图整合。

【患者与治疗】研究纳入2021-2023年两家医院的NPC放疗患者，通过严格筛选标准确保数据质量。所有患者接受Philips大孔径CT扫描，采用IMRT/VMAT技术实施放疗，皮肤结构由经验医师勾画确认。

【结果】队列分析显示RD≥2级发生率为45.5%-50.9%。剂量组学模型筛选出的25个特征在内外验证集AUC为0.751/0.746；DL模型凭借ResNet-34架构取得0.820/0.812的优异表现。联合模型通过特征互补使预测性能提升约5%，证实空间剂量模式与微观图像特征的协同预测价值。

【讨论】该研究突破传统DVH方法的局限，首次证实剂量分布异质性（通过dosiomics量化）与DL提取的潜在图像模式对RD预测具有互补性。V₆₀
和免疫治疗的纳入提示生物剂量效应与免疫微环境的协同作用。模型的高泛化能力（外部验证AUC 0.832）为临床转化奠定基础。

【结论】该研究开创性地建立DL-dosiomics融合预测体系，为NPC放疗方案优化提供量化决策工具。未来可通过前瞻性研究验证模型临床效用，并探索剂量雕刻(dose sculpting)等个性化干预策略。研究成果对提升放疗精准化管理水平具有重要实践意义。