基于剂量组学与影像组学的乳腺癌治疗相关心脏事件机器学习预测模型研究

这篇研究开创性地整合临床数据、高敏肌钙蛋白T（hs-TropT）、剂量组学（dosiomics）和影像组学（radiomics），首次在乳腺癌患者中应用心脏分割剂量组学数据构建机器学习模型，预测放疗后亚临床心脏毒性。通过梯度提升分类算法（AUC=0.96）显著优于传统临床+剂量学模型（AUC=0.67），为个性化心脏监测提供新范式。

　　

背景

个性化医疗通过基因组图谱和生物标志物推动疾病管理变革。本研究旨在整合临床数据、hs-TropT、影像组学和剂量组学，构建乳腺癌治疗相关心脏事件的早期预测模型，首次应用心脏分割剂量组学数据识别亚临床心脏毒性。

材料与方法

回顾性分析42例局部乳腺癌患者数据，以放疗后2-3周hs-TropT>14 ng/L为阈值分组。采用PyRadiomics提取119个影像组学和111个剂量组学特征，通过Tree-based Pipeline Optimization Tool（TPOT）优化模型，梯度提升递归特征消除法筛选变量。

结果

临床+剂量组学+影像组学联合模型验证队列AUC达0.96，显著优于临床+剂量学模型（AUC=0.67）。交叉验证显示模型泛化性能良好（平均AUC=80.33±21%）。年龄（p=0.044）和心脏V₅（p=0.05）与肌钙蛋白升高显著相关。

讨论

影像组学/剂量组学较传统参数更早预测心脏事件。心脏分割剂量组学在成人乳腺癌中的首次应用具有开创性。局限性包括样本量小（n=42）、缺乏化疗累积剂量数据，但剂量分布原始特征仍实现优异预测性能。

未来展望

需开展多中心验证、探索生物有效剂量（BED）分布特征，并解决呼吸运动/金属伪影的影响。类不平衡问题（阳性率16.66%）提示需采用合成数据增强技术。

结论

影像组学/剂量组学参数以96%准确率预测心脏事件，显著优于传统方法。尽管需进一步验证，该模型为个性化治疗决策提供了革命性工具，推动精准医学在肿瘤心脏病学领域的应用。