交互感知影像组学-剂量组学特征提升鼻咽癌放疗后口干症预测

《Journal of Radiation Research and Applied Sciences》：Interaction-aware radiomics-dosiomics signatures improve the prediction of xerostomia after radiotherapy in nasopharyngeal carcinoma

　　

交互感知影像组学-剂量组学特征改善鼻咽癌（nasopharyngeal carcinoma, NPC）放疗后口干症的预测。交互感知影像组学-剂量组学模型可预测NPC患者放疗后口干症。分段剂量分布特征表征唾液腺相关结构中的区域剂量异质性。交互特征捕获CT影像组学表型与空间剂量暴露之间的联合效应。交互感知L₂逻辑回归模型在患者平均预测中获得0.907的受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC），Brier评分（Brier score）为0.124。

研究背景：鼻咽癌（nasopharyngeal carcinoma, NPC）是常见头颈部肿瘤，具有东南亚地理倾向及与Epstein–Barr病毒的强病因关联；因肿瘤放射敏感且鼻咽解剖复杂，放疗是主要根治手段。调强放疗（intensity modulated radiotherapy, IMRT）可优化靶区覆盖并降低危及器官剂量，但口干症仍是常见且持续的治疗相关毒性，可影响吞咽、言语、味觉、牙齿健康、睡眠及长期生活质量。传统预测主要依赖临床因素、正常组织并发症概率（normal tissue complication probability, NTCP）模型和剂量体积直方图（dose-volume histogram, DVH）指标，如腮腺平均剂量或剂量体积阈值；Teng等、Pan等曾构建相关模型。但此类模型过度依赖DVH，忽略治疗相关解剖变化、剂量空间异质性、区域高剂量聚集及剂量分布与组织表型关系，且相似腮腺平均剂量患者可出现不同毒性，提示仅凭剂量不足以个体化风险预测。影像组学可定量描述图像表型；既往Van Dijk等、Berger等、Li等、Qin等、Sheikh等研究显示腮腺/颌下腺影像特征有潜在价值，但多数聚焦单一模态或器官、队列较小、特征选择主要依据终点直接关联，且三维剂量空间异质性未被充分表达；PET和MRI并非所有放疗患者常规获取，外部可重复性亦受限。剂量组学（dosiomics）将三维放疗剂量分布转化为定量特征；Ikarashi等、Abdollahi等、Chao等、Zhang等提示剂量组学及剂量分段信息可改善口干预测，但剂量组学模型仍不如DVH模型成熟，其与影像组学及临床变量的整合在NPC相关口干中尚未充分探索。口干风险可能并非仅由计划剂量或基线图像表型单独决定，而由二者交互决定；放射敏感或结构脆弱的腺体表型对相同中高剂量暴露的反应可能不同。因此研究人员构建交互感知框架，整合唾液腺影像组学、腮腺和口腔剂量组学、分段剂量分布特征及临床变量，以判断交互特征能否改善预测并提供可解释线索。

研究人员开展回顾性研究，最终严格建模队列105例，其中Grade 0–1口干55例、Grade 2–3口干50例；主要终点为临床相关口干，即Grade 2–3对Grade 0–1。研究比较临床、影像组学、剂量组学、联合及交互感知特征集，最终交互感知L₂逻辑回归模型在区分度与校准间取得最佳总体平衡，患者平均预测AUC为0.907，Brier评分为0.124。其意义在于提示口干风险可能由唾液腺图像表型与空间剂量暴露的联合效应更好表征，而非单域特征；该可解释框架可能在候选放疗计划可用后支持个体化口干风险评估，但其指导计划修改和改善患者结局的价值仍有待确立。

关键方法：研究纳入2024年10月至2025年9月广州医科大学附属肿瘤医院接受放疗的NPC患者，筛查后105例进入建模队列。基于计划CT、RTSTRUCT、RTPLAN和RTDOSE，采用PyRadiomics提取双侧腮腺和口腔CT影像组学与三维剂量组学特征，并构建0–20、20–40、≥40 Gy分段剂量特征。经质量过滤、Spearman冗余剔除、Mann–Whitney U检验、mRMR（minimum-redundancy maximum-relevance）和LASSO稳定性选择筛选基础特征，构建跨域交互项并保留10项。比较九种分类器，采用重复分层五折交叉验证，以AUC、Brier评分等评价，并用SHAP（Shapley值）和置换重要性解释。

研究结果：3.1 基线的临床、影像组学和剂量组学特征。通过组间比较发现年龄差异显著（55.9±13.2岁 vs. 50.1±12.1岁，p=0.022），N分期呈边缘关联（p=0.051），其余临床因素无显著差异。初始5855个CT影像组学候选和4555个剂量组学候选，经质量控制和Spearman冗余剔除后分别有453个和558个进入监督评价；最终基础组学特征16个，包括8个影像组学和8个剂量组学特征。8个影像组学特征均来自双侧腮腺（左5、右3），涵盖一阶强度、滤波强度异质性和纹理模式，单变量AUC为0.641–0.781，最强为左侧腮腺最小CT强度，在Grade 2–3口干患者中更低。8个剂量组学特征来自左腮腺4个、右腮腺2个、口腔2个，多为三维剂量纹理描述（如灰度依赖矩阵、灰度尺寸区域矩阵、邻域灰度差矩阵）及1个形状相关剂量特征，单变量AUC为0.590–0.639，较弱但互补。相关性分析显示所选特征未形成单一高度冗余簇，提示影像组学主要反映治疗前腮腺组织表型，剂量组学描述计划剂量空间异质性。3.2 分段剂量分布与交互特征。通过分段剂量分析保留8个分段剂量特征，均来自双侧腮腺：中剂量20–40 Gy区5个、高剂量≥40 Gy区2个、低剂量0–20 Gy区1个；排名最高者为左侧腮腺高剂量直方图峰值比例。共保留10个交互特征，包括5个影像组学–分段剂量、3个剂量组学–分段剂量、1个影像组学–剂量组学及1个临床–影像组学交互；单变量AUC最大的I01由右侧腮腺CT wavelet-LLH GLDM LargeDependenceHighGrayLevelEmphasis与左侧腮腺20–40 Gy区最小计划剂量组合，其他交互项将CT或剂量纹理描述与中剂量汇总指标或高剂量直方图峰值比例组合，交互集涵盖治疗前CT表型、计划剂量纹理、区域剂量暴露和年龄。3.3 模型性能。通过九种机器学习分类器重复交叉验证发现，临床-only模型区分度有限，影像组学和剂量组学特征可不同程度改善，影像组学-only通常优于剂量组学-only，联合后进一步提高；交互感知特征集在各算法中产生最高或接近最高的ROC曲线。在 pooled 重复留出预测中，交互感知随机森林AUC最高为0.904，交互感知L₂逻辑回归为0.897，交互感知线性SVM为0.877。校准分析显示高区分度不总对应良好概率估计；交互感知特征集在多数算法中降低Brier评分。随机森林区分度最高（pooled AUC 0.904，患者平均AUC 0.914），但L₂逻辑回归Brier评分最低（0.124）且准确率最高（0.881），故被选为最终分类器。不同特征集比较中，临床-only pooled AUC 0.646、患者平均AUC 0.644；影像组学0.794/0.803；剂量组学0.661/0.665；影像组学+剂量组学0.794/0.801；临床+影像组学+剂量组学0.835/0.845、Brier 0.160；交互感知模型pooled AUC 0.897、患者平均AUC 0.907、准确率0.881、敏感度0.870、特异度0.891、Brier 0.124，提示口干预测不仅受益于多域信息联合，也受益于显式建模组织图像表型与空间剂量分布交互。3.4 交互模型解释。通过系数符号一致性、置换重要性和SHAP分析，15个主预测因子在50个外层交叉验证拟合中均有非零系数且符号一致，符号一致率100%；左侧腮腺最小CT强度为负系数，年龄和左侧腮腺剂量GLDM依赖方差为正系数。置换重要性类别求和显示影像组学最大（0.100），其次为临床变量（0.060）和影像组学–分段剂量交互（0.052），剂量组学–分段剂量交互和剂量组学分别为0.035和0.034，影像组学–剂量组学及临床交互分别为0.024和0.019；类别内求和不应解释为独立贡献。交互项中平均绝对SHAP最高为I06（0.326），其次为临床–影像组学I03（0.307）和剂量组学–分段剂量I09（0.264），影像组学–分段剂量I02和I04分别为0.252和0.243。全局SHAP前三为左侧腮腺最小CT强度（F01）、年龄（F02）和左侧腮腺剂量GLDM依赖方差（F03），随后为I06（F04）和I03（F05）。代表性预测中，真阴性平均留出概率为0.163±0.087，真阳性为0.820±0.053（10次交叉验证重复的标准差）。解释分析显示CT表型、临床变量、空间计划剂量描述及其交互项均有贡献，符合多模态设计。

讨论部分总结：研究主要发现是整合治疗前CT影像组学、三维剂量分布特征、临床变量和交互特征后预测性能改善；交互感知L₂逻辑回归在区分度和校准间总体最佳。分段剂量特征通过低、中、高剂量区分提供比常规DVH器官水平汇总更区域敏感的描述；交互分析支持组织易感性与剂量损伤并非独立过程，相似腺体剂量患者可因治疗前纹理或强度模式不同而风险不同。该研究与从NTCP/DVH建模向图像和剂量信息毒性预测转变一致；透明特征工程、稳定性选择、交互构建及SHAP/置换解释在较小回顾队列中保持可解释性并提供生物学合理解释。临床潜在应用始于候选放疗计划生成后、治疗前，高危患者可考虑更强化唾液腺保护优化、复核腮腺和口腔剂量分布、早期支持干预或密切随访；模型不应替代既定剂量约束，而可作为补充DVH约束的决策支持层，识别常规剂量指标可能低估风险者。口腔剂量组学相关，因口干症状可能反映小唾液腺和黏膜损伤；但研究未评估模型指导计划改变是否减少口干。局限包括单中心回顾性小样本、需外部验证；口干分级受随访时间、主观报告和观察者差异影响；排除治疗前口干但不等同基线唾液功能；治疗前CT特征与后续口干关联可能反映组织组成或功能储备差异，不应解释为内在腺体放射敏感性直接证据；影像组学和剂量组学对采集、剂量网格、勾画和预处理敏感，完全可重复需多中心测试；交互特征改善统计关联层面的可解释性但不证明因果。研究结论翻译：在这项回顾性研究中，研究人员开发了交互感知影像组学–剂量组学模型，用于预测NPC患者放疗后临床相关口干症。通过整合治疗前CT影像组学、三维剂量组学、分段剂量分布特征、临床变量和交互项，最终L₂逻辑回归模型在区分度和校准之间取得最佳总体平衡。这些发现提示，口干风险可能通过唾液腺图像表型与空间剂量暴露的联合效应得到更好表征，而非单域特征。该可解释框架可能在候选放疗计划可用后支持个体化口干风险评估，但其指导计划修改和改善患者结局的价值仍有待确定。