综述：头颈癌放射治疗患者结局研究的批判性综述

这篇综述深入探讨了头颈癌放射治疗中数据驱动方法的演变，重点评述了放射组学(Radiomics)、人工智能(AI)算法和因果推理框架三大技术突破，特别介绍了质子治疗中线性能量传递(LET)对毒性机制的揭示作用。文章强调通过整合多模态数据实现个性化放疗策略，在提升肿瘤控制的同时改善患者生活质量(QoL)。

　　

引言

现代放射治疗在头颈癌治疗中面临治疗相关毒性的重大挑战。美国每年新增超100万癌症病例，其中50-75%患者接受放疗。尽管调强放疗(IMRT)和容积调强弧形治疗(VMAT)等技术进步显著，头颈部复杂解剖结构仍导致关键器官如脑干、口腔、腮腺等受到高剂量辐射，引发脑坏死、吞咽困难、口干症等不良反应，严重影响患者生活质量。

当前数据驱动研究的现状

LKB模型与QUANTEC指南

Lyman-Kutcher-Burman(LKB)模型通过广义等效均匀剂量(gEUD)将剂量体积直方图(DVH)转化为单变量预测正常组织并发症概率(NTCP)。QUANTEC指南则基于3D适形放疗数据提供器官剂量耐受阈值。但二者在IMRT等先进技术中的适用性受限，且gEUD可能忽略剂量空间分布信息。

放射组学

通过高通量提取医学影像定量特征，放射组学能表征肿瘤异质性。动态放射组学(Delta-radiomics)通过追踪治疗期间特征变化，已应用于肺癌放疗反应监测和直肠癌复发预测。多模态影像组学整合CT/MRI/PET数据提升预测精度，但面临图像标准化和特征选择等挑战。

AI算法

机器学习(ML)中，逻辑回归等线性模型和随机森林等集成算法已用于预测放射性甲状腺功能减退和肺炎。深度学习(DL)通过卷积神经网络(CNN)分析PET/CT预测头颈癌远处转移，长短期记忆网络(LSTM)处理时序治疗数据。可解释性方法如SHAP值分析揭示了非小细胞肺癌(NSCLC)剂量-毒性关系。

质子治疗中的LET研究

质子治疗的布拉格峰特性带来剂量学优势，但相对生物有效性(RBE)受线性能量传递(LET)影响。研究发现LET升高与肋骨骨折、下颌骨放射性骨坏死等不良反应相关。剂量-LET体积直方图(DLVH)作为三维分析工具，可直观展示剂量与LET的联合分布特征。

因果推理方法

针对观察性数据的相关性局限，因果推理通过反事实估计识别真实治疗效应。广义随机森林和神经网络已用于多治疗效应分析，在糖尿病药物干预等场景验证。但在放疗应用中，未测量混杂因素和高维数据整合仍是挑战。

结论

数据驱动的患者结局研究已从传统统计模型发展到整合多模态AI分析和因果推理的新阶段。未来发展方向在于：建立标准化放射组学流程，开发可解释AI模型，完善质子LET-RBE关系数据库，以及推进因果框架下的个性化治疗预测系统。这些突破将最终实现肿瘤控制与生活质量的双重优化。