基于剂量组学引导深度学习的肺癌放射性食管炎预测：多分支融合辅助学习实现最佳感兴趣区域界定

【编辑推荐】本研究创新性地提出剂量组学(Dosiomics)引导的深度学习(DL)网络(DGD)，通过多任务辅助学习自动界定ROI，融合剂量分布(RDD)图像特征与高维DL特征，在三个中心验证集中预测≥2级放射性食管炎(RE)的AUC达0.82-0.88，为肺癌放疗毒性预测提供了客观精准的新范式。

　　

Highlight

数据采集

回顾性纳入三家医院接受调强放疗(IMRT)或容积旋转调强放疗(VMAT)的肺癌患者（流程图见图S1）。模拟CT图像采用飞利浦Brilliance或GE Revolution CT以3mm层厚采集，靶区及危及器官由资深放疗科医师遵循指南使用Accucontour(V3.2)勾画。

结果

488例患者中，训练集235例（中位年龄64岁）、内部验证集101例、外部验证集1（57例）和2（95例）的RE发生率分别为22.9%、14.8%、17.5%和20.0%。结合对比学习与辅助分割模块的剂量组学引导ResNet34模型表现最优，在三个验证集的AUC分别为0.88[95%CI:0.76–0.95]、0.82[0.65–0.96]和0.83[0.74–0.92]。

讨论

本研究通过多分支辅助学习框架解决了ROI界定主观性问题，首次实现剂量分布特征与DL特征的协同优化。DGD模型在跨中心验证中展现卓越泛化能力，其性能超越传统剂量体积直方图(DVH)参数模型（p<0.05），且特征可视化显示模型能自动聚焦于食管剂量梯度变化显著区域。

结论

提出的多分支融合辅助学习策略通过分割任务辅助ROI优化界定，DGD模型通过特征融合实现了肺癌患者RE的精准预测。该技术消除了主观勾画变异，为放疗毒性预测提供了可解释、可推广的新工具。

Data availability statement

研究数据存储于机构知识库，可根据通讯作者要求共享。

CRediT authorship contribution statement

Xianwen Yu：论文撰写、验证、算法开发；Yao Ai：概念设计；Xiance Jin：论文修订与项目指导（其余作者贡献略）。

Declaration of competing interest

作者声明无利益冲突。

Acknowledgements

感谢国家自然科学基金(12475352)、浙江省重点研发计划(LZ24A050008)等项目的资助。

Conclusion

多分支融合辅助学习通过分割任务实现了ROI的优化界定，DGD模型在肺癌放疗RE预测中展现出卓越性能，为临床治疗规划提供了客观决策支持。