基于CT影像组学预测乳腺癌放疗后急性皮肤毒性的单中心回顾性研究

《Clinical Medicine Insights: Oncology》：CT-Based Radiomics Model for Predicting Acute Skin Toxicity after Breast Cancer Radiotherapy: A Single-Center Retrospective Study

　　

专业术语翻译的摘要 背景：乳腺癌放疗常导致皮肤毒性，但当前的预测方法依赖于主观临床评估和有限的剂量学参数，缺乏个性化精准度。本研究旨在利用CT影像开发一种影像组学模型，用于在皮肤毒性临床表现前预测其严重程度。 方法：这项回顾性研究纳入了200例接受根治术后放疗的乳腺癌患者。研究人员使用剂量网格定义的感兴趣区（ROI）从CT图像中提取影像组学特征，这些感兴趣区包括处方剂量100%、105%和108%的等剂量体积，以及20 Gy、30 Gy和40 Gy等剂量水平的皮肤区域。研究人员比较了六种机器学习算法，并最终选择逻辑回归（LR）作为最终模型。使用受试者工作特征曲线下面积（AUC）、校准分析和决策曲线分析（DCA）评估模型性能和临床效用，同时采用Shapley加法解释（SHAP）分析评估特征贡献。 结果：研究人员筛选出八个关键影像组学特征构建最终模型。逻辑回归模型在测试集上的AUC达到0.993，灵敏度为0.969，特异度为0.963。决策曲线分析证实了其潜在的临床净获益。SHAP分析揭示，从105%和108%高剂量区域提取的影像组学特征是最具影响力的预测因子。 结论：这项初步的基于CT的影像组学模型为预测放射性皮肤毒性提供了一种非侵入性工具。然而，其临床适用性需要在更大规模、独立的、多中心队列中进行进一步验证。

论文解读文章

研究背景与目的

乳腺癌是全球女性面临的重大健康挑战，发病率持续上升。辅助放疗是多学科治疗中的基石，但放射性皮肤毒性仍是常见并发症。约95%的患者会出现不同程度的皮肤反应，如红斑、干燥、溃疡等，这不仅影响患者生活质量，还可能导致治疗中断甚至影响肿瘤控制率。当前，皮肤毒性评估主要依赖临床医生主观观察和分级系统（如RTOG评分），这种方法不仅存在观察者间差异，而且往往只能在毒性显现后才能进行干预。因此，亟需一种能够在临床症状出现前客观预测皮肤毒性风险的工具。影像组学（Radiomics）能从医学影像中提取人眼难以识别的定量特征，结合机器学习算法，有望实现早期风险分层。此前已有研究将剂量定义区域与影像组学结合用于预测放射性皮炎，但多为小样本或单变量分析。本研究旨在利用CT影像和剂量梯度定义的感兴趣区（ROI），开发并内部验证一个基于机器学习的影像组学模型，以预测乳腺癌患者放疗后的皮肤毒性，从而辅助临床优化治疗策略。

研究方法与技术路线

研究人员开展了一项单中心回顾性预后研究，纳入九江市第一人民医院2021至2024年间收治的200例乳腺癌根治术后接受放疗的患者。关键技术方法包括：

1. 1.
   数据获取与预处理：所有患者均接受CT扫描（GE BRIVO CT325），图像以DICOM格式导出。
2. 2.
   感兴趣区勾画：由经验丰富的放射科医师在Pinnacle计划系统中勾画计划靶区（PTV）。物理师使用Manteia自动勾画系统定义皮肤ROI，范围在靶区上下各扩展5 cm。ROI边界定义为处方剂量100%、105%和108%的等剂量体积，以及20 Gy、30 Gy和40 Gy等剂量水平的皮肤区域。所有勾画者对RTOG毒性结局设盲。
3. 3.
   特征提取与筛选：使用PyRadiomics软件提取CT图像的影像组学特征。首先剔除零方差特征，再通过t检验筛选两组间有显著差异的特征（P<0.05），随后计算皮尔逊相关系数（PCC）去除高度相关特征（PCC≥0.9），最后采用最小绝对收缩和选择算子（LASSO）算法进一步精简特征集。
4. 4.
   模型训练与验证：按毒性分组分层随机将队列分为训练集（n=160）和测试集（n=40），比例为8:2。比较六种机器学习算法：逻辑回归（LR）、极端梯度提升（XGB）、支持向量机（SVM）、随机森林（RF）、多层感知器（MLP）和K近邻（k-NN）。使用5折交叉验证训练模型，并在固定测试集上评估性能，指标包括准确率（ACC）、灵敏度（SEN）、特异度（SPC）、阳性预测值（PPV）、阴性预测值（NPV）、F1分数、AUC和Brier分数。最终选择LR作为最终模型，并进行决策曲线分析（DCA）、校准分析和SHAP分析。

研究结果

基线特征：200例患者平均年龄53.2±10.4岁，其中低毒性组（RTOG评分≤1）136例（68.0%），高毒性组（RTOG评分≥2）64例（32.0%）。训练集与测试集在年龄、性别、PTV体积、V100/V105/V108等剂量体积及毒性比例上无显著差异。与低毒性组相比，高毒性组的PTV体积、V105和V108体积及百分比均显著更高。

影像组学特征提取与筛选：从六个ROI区域共提取14,282个特征，经逐步筛选后保留8个关键特征。主成分分析（PCA）显示，筛选后两组在第一个主成分上分离更明显。

模型性能：六种模型在测试集上的平均AUC介于0.954±0.061至0.997±0.007之间。RF获得最高平均AUC（0.997±0.007）和最低Brier分数（0.024±0.015），而LR的平均AUC为0.993±0.010，灵敏度最高（0.969±0.069）。鉴于LR的竞争力、可解释性和临床熟悉度，被选为最终模型。LR模型的预测概率在高、低毒性组间差异显著。校准斜率为1.612，截距为-0.501。DCA显示在阈值概率0.10-0.90范围内模型具有临床净获益。SHAP分析表明，来自108%和105%高剂量区域的Gradient Magnitude_glcm_JointEntropy_108和lbp-3D-m2_glszm_GrayLevelVariance_105两个特征对模型预测贡献最大。

讨论与结论

讨论：该研究表明，基于CT的剂量梯度影像组学模型能够有效预测乳腺癌患者放疗后≥2级急性放射性皮炎。与以往依赖主观临床评估的方法相比，该模型提供了更客观、早期的风险分层手段。SHAP分析揭示了高剂量区域纹理特征的预测价值，这可能反映了辐射暴露组织微观结构的异质性。DCA分析进一步证实了模型的潜在临床实用性，例如在预设0.50阈值下，模型正确识别了13例高风险患者，仅1例假阳性，净获益约为0.30。然而，研究存在局限性：单中心回顾性设计、样本量较小、高毒性事件有限，可能影响泛化性；皮肤毒性评估存在观察者间变异；影像组学特征的重复性未正式评估；部分特征来自小体积ROI，勾画微小变化可能影响稳定性；模型未充分整合其他患者和治疗相关因素。未来需在更大规模、多中心前瞻性队列中验证，并评估特征重复性及整合临床剂量学因素。

结论翻译：一项基于CT的剂量梯度影像组学模型展示了预测乳腺癌患者急性放射性皮肤毒性的潜力。需要在大规模、多中心队列中进行进一步验证以确定其临床适用性。