《Journal of Personalized Medicine》：A Digital Twin Framework for Per-Fraction Prediction of Normal Tissue Toxicity in Radiotherapy of Non-Small Cell Lung Cancer
编辑推荐：
背景/目的：立体定向体部放射治疗（stereotactic body radiation therapy, SBRT）通常分3–5次实施，是医学上无法手术的早期非小细胞肺癌（non-small cell lung cancer, NSCLC）患者的一种高效治疗
背景/目的：立体定向体部放射治疗（stereotactic body radiation therapy, SBRT）通常分3–5次实施，是医学上无法手术的早期非小细胞肺癌（non-small cell lung cancer, NSCLC）患者的一种高效治疗策略。生物引导放射治疗（biology-guided radiotherapy, BGRT）是一种PET引导的SBRT，能够在每次分次治疗时获取患者特异性的代谢、解剖和剂量信息。虽然既往模型侧重于静态的、人群层面的放射性毒性预测，但仍缺乏表征正常组织反应在个体患者放疗过程中随时间演变的方法。因此，研究人员假设基于人工智能（artificial intelligence, AI）的模型能够量化此类纵向数据中的时间性毒性模式，使临床医生能够平衡肿瘤控制与正常组织并发症，从而指导个体化治疗计划。方法：在这项概念验证研究中，研究人员开发了COMPASS（COMprehensive Personalized Assessment System），一个数字孪生框架，可生成每次分次的风险估计，为未来NSCLC的适应性决策提供信息。经耶鲁机构审查委员会批准，本研究回顾性纳入了8例接受BGRT的NSCLC患者。总共99个器官–分次观察数据，涵盖三个危及器官（脊髓、心脏和食管）的24条患者–器官纵向轨迹，用于训练门控循环单元（Gated Recurrent Unit, GRU）自编码器以学习潜在时间表征，随后使用逻辑回归对其进行表征以评估CTCAE ≥ 1毒性。结果：在留一患者评估中，COMPASS在患者–器官轨迹水平上以分次为基础预测正常组织毒性时，曲线下面积（area under the curve, AUC）达到0.90，灵敏度为80%，特异度为78.6%。结论：这些发现支持了AI驱动的数字孪生用于分次毒性监测的可行性，为NSCLC患者的个性化放疗迈出了一步。
**研究背景与问题**
非小细胞肺癌（non-small cell lung cancer, NSCLC）的早期标准治疗是微创手术切除，但对于医学上无法手术的患者，立体定向体部放射治疗（stereotactic body radiation therapy, SBRT）是高效替代方案，通常分3–5次完成。SBRT面临核心治疗困境：提高肿瘤剂量可改善局部控制，但会增加心脏、食管、脊髓等邻近危及器官的严重毒性风险。当前临床实践依赖人群来源的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）约束来评估毒性风险，这些方法基于静态规划CT，无法反映分次治疗期间出现的解剖变形、器官运动、肿瘤退缩以及不断演变的生物学反应。DVH指标虽能捕捉体积剂量分布，但聚合了全器官剂量，丢失空间异质性，也无法整合反映早期损伤信号的体素级生物学标志。最重要的是，这些方法无法随着每次分次新影像的获取而实时更新风险预测，限制了在不可逆毒性出现前进行适应性干预的可能性。生物引导放射治疗（biology-guided radiotherapy, BGRT）将正电子发射断层扫描（positron emission tomography, PET）整合至放疗流程，可在每次分次重复获取功能和解剖信息，为纵向评估治疗反应提供了时间序列数据。然而，利用这些数据表征个体患者正常组织反应随时间演变规律的方法仍十分缺乏。
**研究内容与结论概述**
针对上述问题，研究人员开展了概念验证研究，开发了COMPASS（COMprehensive Personalized Assessment System），一种数字孪生框架，旨在将正常组织反应建模为每位患者放疗期间的时间过程。研究纳入8例接受BGRT的NSCLC患者（经耶鲁人类研究保护计划豁免审查，方案号#2000042387），共99个器官–分次观察数据，覆盖24条患者–器官纵向轨迹（心脏、食管、脊髓）。治疗分次数为3–5次不等，每个分次均获取PET和千伏级CT（kilovoltage computed tomography, kVCT）影像以及计划与投递剂量。研究人员采用门控循环单元（Gated Recurrent Unit, GRU）自编码器学习潜在时间表征，再通过逻辑回归分类器预测CTCAE≥1毒性。在留一患者交叉验证（leave-one-patient-out, LOPO）中，COMPASS在患者–器官轨迹水平达到AUC 0.907，灵敏度80.0%，特异度78.6%，证明基于分次纵向数据构建数字孪生模型用于正常组织毒性监测具有可行性。
**主要技术方法**
研究人员使用的主要方法包括：构建标准化预处理流程，将每次分次的PET、kVCT、DICOM RTDose和RTSTRUCT数据配准至时间平均增强CT（Average Intensity Projection, AIP）统一空间参考系；从七个互补模态提取73个多模态特征，涵盖基于线性–二次模型计算的体素级生物有效剂量（biological effective dose, BED）及2-Gy等效剂量（equivalent dose in 2-Gy fractions, EQD2）转换后的剂量学特征、分次剂量分布形状参数、时间动力学特征、器官几何特征及PET/CT放射组学特征；使用GRU自编码器对每个患者–器官的分次特征序列进行无监督表征学习，得到8维潜在嵌入；在嵌入上拟合L2正则化逻辑回归完成毒性分类；通过LOPO交叉验证评估模型，确保测试患者完全未参与训练。
**研究结果**
3.1 性能指标（Performance Metrics）
模型性能以患者–器官轨迹为主要评估单元，在8折LOPO验证中，对24个测试实例计算指标。COMPASS的AUC为0.907（95% CI: 0.793–1.000），灵敏度80.0%（95% CI: 40.0–100.0%），特异度78.6%（95% CI: 53.8–94.7%），准确率79.2%（95% CI: 62.5–95.8%），Brier分数0.140（95% CI: 0.065–0.216）。置信区间通过患者级bootstrap重采样（5000次）估计，反映了小样本（n=8）的不确定性。汇总混淆矩阵显示11个真阴性、8个真阳性、3个假阳性和2个假阴性。训练侧AUC均值为0.906，与测试性能接近，表明过拟合风险可控。
3.2 预测性能与早期预警能力（Predictive Performance and Early Warning Capability）
模型在最终分次生成累积预测，同时给出每次分次后的风险评分，展示风险随时间演变的轨迹。最终发展为CTCAE≥1毒性的患者–器官轨迹，其预测风险随分次增加而整体上升；而非毒性轨迹则保持低水平且稳定。例如，患者6的食管轨迹在第五分次中的第三分次即出现高风险估计，尽管累积食管剂量仍低于计划约束，同时伴随PET平均强度相对基线的升高和局灶剂量异质性；患者3的心脏轨迹风险概率逐次递增（0.830→0.956→0.969→0.970→0.971），并伴有空间不均匀剂量分布（如D
98p=0.54 Gy，D
2p=28.59 Gy，V
5=55.4%）；患者1的非毒性轨迹则始终保持稳定低风险（概率<0.30）。这些结果表明，分次级多模态特征能够提供剂量标准总结之外的额外预测信号，支持早期识别潜在毒性。
**讨论总结与结论翻译**
讨论指出，COMPASS通过整合纵向PET衍生的强度特征、CT放射组学变异和空间剂量异质性，生成了连续更新的风险估计。局限性包括样本量小（仅8例独立患者）、采用CTCAE≥1作为分类终点可能纳入临床意义有限的轻度事件、以及模型预测的是最终毒性而非精确的毒性发生时间。转化方面，每分次特征提取约15–25分钟，GRU编码和风险预测少于2分钟，总周转时间17–27分钟，而分次间至少间隔24小时，为潜在干预留出窗口。未来需要在更大多中心队列中验证，采用CTCAE≥2等更具临床意义的终点，并探索瘤控联合贝叶斯更新及逐体素风险热图。
结论翻译：研究人员推出COMPASS，一个利用纵向多模态数据研究放疗诱导反应患者特异性时间趋势的数字孪生框架。通过结合分次PET和kVCT成像、剂量学特征以及基于GRU的表征，在留一患者评估环境中，研究人员证明了学习正常组织反应的轨迹表征的可行性。在该队列中，模型捕捉了剂量–反应模式的时间变化，并在治疗期间生成了不断演化的分次风险估计。因此，本研究的主要贡献并非临床验证的预测模型，而是证明了纵向分次数据可纳入患者特异性建模框架。未来工作将需要更大规模、具有临床意义终点（如≥2级毒性）的队列以及前瞻性验证，以确定此类方法是否超越传统基于剂量模型的附加价值。
