《Frontiers in Oncology》：Therapeutic hybrid intelligence with neural and knowledge-based expert reasoning for SRS: an AI model for breast cancer brain metastases
编辑推荐：
背景：立体定向放射外科（SRS）治疗乳腺癌脑转移瘤的处方剂量选择仍主要由肿瘤大小、解剖约束和机构实践决定，而非个体化的肿瘤特异性局部失效估计。研究人员开发了THINKERS-Breast，一种用于伽玛刀放射外科（GKRS）后个体化剂量评估的混合专家（MoE）人
背景：立体定向放射外科（SRS）治疗乳腺癌脑转移瘤的处方剂量选择仍主要由肿瘤大小、解剖约束和机构实践决定，而非个体化的肿瘤特异性局部失效估计。研究人员开发了THINKERS-Breast，一种用于伽玛刀放射外科（GKRS）后个体化剂量评估的混合专家（MoE）人工智能框架。
方法：研究人员开展了一项回顾性单中心肿瘤水平研究，研究对象为接受伽玛刀放射外科治疗的乳腺癌脑转移瘤。使用治疗前或治疗时可获得的变量训练具有离散时间生存建模的混合专家神经网络。边缘剂量作为可查询输入纳入，以支持重复的候选剂量评估。内部验证采用按患者分组的分组5折交叉验证和分组留出测试集。性能通过12个月局部失效的受试者工作特征曲线下面积（AUC）、预期局部失效时间的平均绝对误差（MAE）、Brier评分和校准指标进行评估。
结果：队列包括504例患者的3,098个肿瘤。在分组交叉验证中，THINKERS-Breast对12个月局部失效实现了原始平均AUC >0.807，校准平均AUC为0.864。原始和校准Brier评分分别<0.14和<0.16，校准截距范围为-0.31至+0.27。在分组留出集中，AUC为0.781（95% CI，0.704–0.857），预期局部失效时间的MAE为1.55个月（95% CI，0.78–3.42）。
结论：THINKERS-Breast为乳腺癌脑转移瘤伽玛刀放射外科后的肿瘤特异性局部失效预测和剂量策略评估提供了内部验证框架。临床部署前需要外部验证。
乳腺癌脑转移瘤是当代神经肿瘤学实践中立体定向放射外科（SRS）的常见且临床重要适应证。约20%–40%的乳腺癌患者病程中会发生脑转移，其中HER2阳性和三阴性亚型的中枢神经系统受累风险尤高。随着全身治疗改善颅外疾病控制并延长生存，持久的颅内肿瘤控制日益重要。伽玛刀放射外科（GKRS）是确立的治疗选择，可提供有意义的局部控制，同时避免或推迟全脑放疗相关的神经认知风险。然而，处方剂量选择仍主要由机构实践模式、肿瘤大小、解剖位置、邻近关键结构和医生经验决定，而非基于治疗后肿瘤特异性行为的个体化估计。由于乳腺癌脑转移瘤在生物学和临床上具有高度异质性，现有预测模型大多在预设终点进行分类，不能评估个体肿瘤在不同候选处方剂量下的结局变化。为此，研究人员开发了THINKERS-Breast，一种乳腺癌特异性混合专家（MoE）框架，采用离散时间生存建模，将候选边缘剂量作为可查询输入，生成剂量特异性局部控制估计、校准的12个月局部失效风险和预期局部失效时间，实现治疗前病灶水平的比较剂量评估。该研究发表于《Frontiers in Oncology》。
本研究为回顾性单中心肿瘤水平研究，数据来自匹兹堡大学医学中心图像引导神经外科中心2014—2024年间接受GKRS治疗的乳腺癌脑转移瘤患者，最终纳入504例患者的3,098个肿瘤。研究人员使用治疗前或治疗时可用变量训练MoE神经网络，包含三个专家子网络和一个门控网络，采用离散时间生存建模。边缘剂量作为可查询输入，支持重复候选剂量评估。内部验证采用按患者分组的5折交叉验证和分组留出测试集。评估指标包括12个月局部失效的受试者工作特征曲线下面积（AUC）、预期失效时间平均绝对误差（MAE）、Brier评分及校准指标。特征工程包括对数肿瘤体积、剂量-体积交互项等。
研究队列：最终分析队列包括504例患者的3,098个乳腺癌脑转移瘤，分组留出测试集包含100例患者的619个肿瘤。中位影像随访时间为12.4个月（IQR 5.8–27.6）。队列涵盖治疗时人口学变量、乳腺癌亚型、全身治疗、肿瘤负荷、解剖位置、肿瘤体积及放射外科剂量参数。
内部验证中的模型性能：在分组5折交叉验证中，模型对12个月局部失效的原始平均AUC大于0.807，校准平均AUC为0.864，显示强判别能力。
留出测试集性能：分组留出测试集上AUC为0.781（95% CI 0.704–0.857），预期局部失效时间MAE为1.55个月（95% CI 0.78–3.42）。额外分析中C-index为0.81，基于Youden指数阈值的敏感性为80%，特异性为77%。
概率性能与校准：校准后Brier评分<0.16，原始Brier评分<0.14，原始校准截距为-0.31至+0.27，提示预测与观测风险具有可接受的一致性。
剂量推荐框架：通过反复查询候选边缘剂量，模型重建剂量依赖性局部控制曲线，并基于规则优化策略（优先预测无失效时间，其次校准12个月局部控制，最后在近等效候选中选择较低剂量）给出个体化剂量推荐。
特征重要性分析：置换特征重要性显示，边缘剂量、肿瘤体积和剂量-体积交互特征贡献最大，剂量分布变量和临床生物学变量提供额外信息。
示例病例：一名54岁HER2阳性转移性乳腺癌患者，五个转移瘤获得不同推荐剂量（20、18、18、18、16 Gy），随访中除深部丘脑病灶在9个月进展外，其余均实现局部控制。
讨论部分强调，THINKERS-Breast的主要优势在于将局部失效建模为时间依赖结局，而非单一二元标签；MoE架构能够适应乳腺癌脑转移瘤的生物学和临床异质性；模型仅使用治疗前变量，避免信息泄漏；剂量扫描组件使模型能比较不同候选剂量，更符合实际放射外科决策。与既往研究相比，多数模型仅进行风险分层或单一时间点预测，而本框架将组织特异性、时间依赖预测和候选剂量评估整合于统一框架。特征重要性分析提示边缘剂量和肿瘤体积为最强预测因子，反映了剂量-体积关系。然而，研究存在局限性：单中心回顾性设计、处方剂量非随机分配、剂量扫描应视为决策支持工具而非因果估计、未与传统模型进行头对头比较等。
结论：THINKERS-Breast是一个经过内部验证的混合专家离散时间生存框架，用于乳腺癌脑转移瘤GKRS后的肿瘤特异性局部失效预测和比较剂量评估。模型展示了有意义的判别能力、良好的概率性能和临床可解释输出，包括时间依赖性局部控制估计、预期局部失效时间和候选剂量特异性预测。这些发现支持组织特异性、病灶水平AI建模在放射外科中的可行性，并为后续多中心外部验证和前瞻性临床转化研究奠定基础。在框架经过跨机构和跨患者人群独立验证之前，不应考虑临床实施。
