《Clinical and Translational Radiation Oncology》:A generalizable and routinely applicable machine learning tool for automated prediction of radiation-induced hypothyroidism risk in patients with head and neck cancer
编辑推荐:
:放射性甲状腺功能减退(radiation-induced hypothyroidism,RIHT)是头颈癌(head and neck cancer,HNC)放疗最常见的晚期毒性反应之一。本研究开发了一种多模态Cox模型,用于评估1407例来自五个中心、构成
:放射性甲状腺功能减退(radiation-induced hypothyroidism,RIHT)是头颈癌(head and neck cancer,HNC)放疗最常见的晚期毒性反应之一。本研究开发了一种多模态Cox模型,用于评估1407例来自五个中心、构成四个队列患者的累积RIHT风险。该模型在一个由两个中心组成的队列上训练,并在三个独立外部队列中验证。模型整合了CT影像组学(radiomics)、剂量组学(dosiomics)、甲状腺平均剂量(Dmean)、年龄和N分期,以估计累积风险并定义时间风险分组。研究人员还提供了开源研究实现,以支持可重复性和探索性风险沟通。该工具具有自动化、可泛化、利用常规放疗数据、无需手动甲状腺勾画以及支持时间依赖性RIHT风险分层等优势。
论文解读文章
一、研究背景与问题
放射性甲状腺功能减退(radiation-induced hypothyroidism,RIHT)是头颈癌(head and neck cancer,HNC)放疗后最常见的晚期毒性反应之一。随着头颈癌患者五年总生存率提升至约80%,长期毒性反应对患者健康和生活质量的影响日益凸显。文献报道的RIHT发病率在14%至67%之间,存在显著的个体和机构间差异,这凸显了治疗前进行稳健的个体化RIHT风险评估的必要性。
RIHT具有剂量依赖性,既往研究主要基于剂量-体积直方图(dose-volume histogram,DVH)评估风险因素,包括甲状腺平均剂量(Dmean)、V45、V50以及反映甲状腺储备的 spared-volume 指标VS60。临床因素也被纳入基于DVH的正常组织并发症概率(normal tissue complication probability,NTCP)模型,以反映患者固有易感性。然而,常规DVH模型可能无法捕捉甲状腺内剂量空间分布或异质性。影像组学(radiomics)和剂量组学(dosiomics)能够量化超越常规DVH参数的图像和剂量衍生异质性,可能改善RIHT预测。但此类模型的外部可迁移性、可重复性和增量价值仍不确定。此外,甲状腺勾画并非标准放疗工作流程中的常规步骤,自动化甲状腺分割可能促进模型在更大队列中的应用。因此,亟需开展具有独立外部验证和时间-事件建模的大型多中心研究。
二、研究设计与方法
研究人员开展了一项回顾性、盲法评估的多中心研究,纳入2012年1月1日至2019年12月31日期间在五个中心接受治疗的1407例患者,形成四个独立队列。开发队列(QEH,n=407)汇集了伊利沙伯医院和联合基督教医院的患者;外部验证在三个独立队列中进行,包括威尔斯亲王医院(PWH,n=372)、玛丽医院(QMH,n=274)和西京医院(XJH,n=354)。主要终点为RIHT,定义为放疗后血清促甲状腺激素(thyroid-stimulating hormone,TSH)浓度首次超过当地中心参考上限。
关键技术方法包括:甲状腺分割在QEH和XJH中由盲法研究者手动勾画,在QMH和PWH中使用基于QEH CT影像训练的nnU-Net v2模型自动生成;影像组学和剂量组学特征使用PyRadiomics v3.0.1提取,符合影像生物标志物标准化倡议(Image Biomarker Standardisation Initiative,IBSI)指南;特征经过扰动测试-重测分析和组内相关系数(intraclass correlation coefficient,ICC)过滤,随后进行单变量Cox回归筛选、Spearman聚类去冗余、基于1000次bootstrap重采样的特征排序和五折内部验证;最终构建多模态Cox模型,使用Breslow估计量估计基线累积风险,并在外部验证队列中评估。
三、主要研究结果
患者队列与RIHT发生率:1407例患者中,总体694例(49.3%)发生RIHT,各中心发生率分别为43.2%、39.8%、50.4%和65.5%。所有队列中,发生RIHT的患者甲状腺体积均显著较小(均p<0.001)。
特征筛选与模型构建:ICC过滤保留1204个可重复特征,经单变量Cox筛选后剩927个,Spearman聚类后分别保留73个影像组学和145个剂量组学代表性特征。通过五折内部验证最终选择3个影像组学特征和4个剂量组学特征,加入年龄、N分期和甲状腺Dmean后构成最终的十预测因子多模态Cox模型。
模型判别性能:最终模型在QEH开发队列中C-index/总体AUC为0.714/0.765,在三个外部验证队列中分别为0.725/0.800(PWH)、0.680/0.754(QMH)和0.627/0.690(XJH)。时间依赖性AUC在1、3、5、7和9年各时间点均得到评估。DeLong检验证实最终模型AUC显著高于除R+D+C(p=0.204)和D+C+DVH(p=0.155)外的所有比较模型。在三个外部队列中,最终模型取得了最高的等权平均总体AUC/C-index(0.748/0.677)。
时间风险分组:根据模型预测的3年和7年累积风险联合分布,将患者分为低风险、中风险、高风险和极高风险四个时间风险组,各中心风险组构成存在差异。
与已发表模型比较:已发表比较模型的平均总体AUC为0.470-0.725,C-index为0.507-0.665。表现最强的已发表比较模型为R?njom等和Boomsma等的NTCP模型(0.725/0.665和0.722/0.663)。
四、讨论与结论
最终模型的线性预测因子为:LP = -0.71630037 - 0.00045617×R1 - 0.00023825×R2 + 0.39753252×R3 - 0.00000742×D1 - 0.00030129×D2 - 0.00095740×D3 + 13.95069098×D4 - 0.01092761×Age + 0.03317160×N stage + 0.02518056×Thyroid Dmean。
研究人员将最终Cox模型封装为开源研究实现,可接受计划CT图像、三维剂量分布和临床变量,生成累积RIHT风险估计、甲状腺DVH汇总、已发表模型结果和甲状腺可视化。该实现未作为临床决策支持系统开发或验证。
研究结论表明,该多模态Cox模型利用常规收集的放疗数据,无需手动甲状腺勾画,即可实现自动化、可泛化的治疗前RIHT风险预测,并在四个独立中心得到验证。模型支持时间依赖性RIHT风险分层,有助于在治疗前识别高风险患者,为个体化放疗计划和随访策略提供依据。开源实现支持研究的可重复性和探索性风险沟通,但需注意该工具尚未作为临床决策支持系统验证,未来仍需前瞻性研究确认其临床价值。