基于自适应剂量门控多模态架构预测非小细胞肺癌放疗后放射性肺炎的研究

《Applied Sciences》：Organizational AI Deployment Sovereignty: A Multidimensional Theoretical Framework for Governing Open- and Closed-Weight AI Systems

　　# 摘要预测非小细胞肺癌（NSCLC）放疗后放射性肺炎（RP）仍具有挑战性，原因在于剂量-组织相互作用复杂。传统的剂量体积直方图（DVH）虽被广泛使用，但无法捕捉空间剂量分布信息。另一方面，将三维深度学习直接应用于原始扫描图像容易发生过拟合，尤其是在小规模单中心数据集上尤为明显。本文提出RP-Fuse，一种多模态架构，其核心特征是一个自适应剂量门控模块，该模块从三维剂量图中学习连续的剂量-响应曲线，并利用该曲线对来自计算机断层扫描（CT）编码器的空间特征进行加权。独立的专家网络分别处理临床记录、剂量学参数以及一组正电子发射断层扫描（PET）摄取比值。一个注意力层仅利用各专家网络的折外（OOF）预测结果来融合这些专家网络。RP-Fuse的开发与内部验证采用嵌套交叉验证，基于一个包含87名非小细胞肺癌患者的回顾性队列（其中30名患者在六个月内发展为≥2级RP）。我们的结果表明，集成基于剂量的先验有助于在小规模队列中从原始图像中学习空间特征。仅使用CT和剂量体积数据时，自适应门控将受试者工作特征曲线下面积（AUC）从0.550提升至0.704。最终架构的AUC达到0.822（95%置信区间[CI] 0.74–0.91），Brier技能得分为正值。在相同评估协议下，十五个重新实现的参考模型中该值为最高；相较于最强的表格模型，其优势为AUC（95% CI 至）。单独来看，标量配置和剂量门控配置获得的合并AUC相同，均为0.781。将两者平均后，增益较为有限（AUC +0.041，95% CI 至），原因是两种配置的预测在患者间呈现出互补的错误模式。鉴于队列规模相对较小，且92%的参与者为男性，RP-Fuse框架应被视为一种探索性的概念验证。