《Applied Radiation and Isotopes》：A Multimodal fusion model for predicting nasopharyngeal necrosis after re-irradiation in recurrent nasopharyngeal carcinoma
编辑推荐：
构建基于CT影像组学、剂量组学及临床特征的多模态机器学习模型，可有效预测鼻咽癌复 irradiation后鼻咽坏死风险，其CT-剂量融合模型在内部和外部验证集的AUC分别达0.869和0.972，显著优于单模态模型。
Xingwang Gao|Yinglin Peng|Jingjing Miao|Jiaxin Lin|Zhaodong Fei|Xiao Liu|Meining Chen|Jun Zhang|Zhenyu Qi|Qichao Zhou|Chong Zhao|Xiangkun Dai|Xiaowu Deng|Yimei Liu
放射肿瘤学系，华南肿瘤学国家重点实验室，广东省鼻咽癌诊断与治疗重点实验室，广东省癌症临床研究中心，中山大学肿瘤中心，广州，510060，中国
摘要
目的
构建一个多模态模型，整合计算机断层扫描（CT）成像、放疗剂量和临床特征，以解决复发性鼻咽癌（NPC）再放疗后鼻咽坏死风险准确预测的临床挑战。
方法
这项回顾性研究包括了126名复发性NPC患者（44例有坏死，82例无坏死）。收集并提取了患者的临床基线特征、计划CT图像的放射组学特征以及由三维放疗剂量衍生的放射组学特征。采用了两阶段特征选择策略来识别相关特征。基于选定的特征，开发了三个单模态和四个多模态融合机器学习模型。使用内部（n = 26）和外部（n = 9）测试集评估模型性能，评估指标包括曲线下面积（AUC）、准确性、敏感性、特异性、阳性预测值和阴性预测值。
结果
与所有单模态模型相比，多模态融合模型表现出整体更优的性能。CT-剂量融合模型在内部和外部测试集中的AUC分别为0.869和0.972，优于单CT、单剂量和单临床模型。
结论
一个整合了CT放射组学特征和放疗剂量衍生特征的人工智能模型，在预测复发性NPC再放疗后鼻咽坏死方面表现出稳健的性能，具有稳定的预测能力和强大的泛化能力。该模型为高风险患者的早期识别提供了有力工具，具有显著的临床应用前景。
引言
鼻咽癌（NPC）是头颈部常见的恶性肿瘤（Chen等人，2012年）。尽管调强放射治疗（IMRT）改善了初始治疗结果，但仍有10%-15%的患者出现局部复发（Lee等人，2019年）。再放疗仍然是复发性鼻咽癌（rNPC）的主要治疗方式（Ng等人，2021年）；然而，它可能会引发严重的鼻咽坏死（NN）（Leong等人，2018年；Li等人，2018年）。大约30%-40%的接受再放疗的患者会出现NN，这可能累及颈内动脉并进展为致命的NN，导致致命出血，危及患者生命（Tian等人，2016年）。早期预测NN风险是实施关键个性化干预的先决条件。基于此类预测的潜在干预措施包括在早期放疗前或期间预防性使用Endostar（重组人内皮抑素）（Hua等人，2009年），应用精准技术避免高风险区域的高剂量照射，或考虑替代的综合性疗法代替再放疗。因此，建立有效的NN风险预测方法对于改善患者预后和生活质量具有重要意义。
先前的研究已经证实，除了累积辐射剂量（Hua等人，2009年；Li等人，2019年）之外，rNPC再放疗后NN的发生还受到多种因素的影响，包括性别、肿瘤大小、化疗方案、病理类型、共存感染、营养状况以及个体在放射生物学耐受性方面的差异。基于这些因素的多元统计分析成功建立了分级预测模型（Li等人，2019年；Yu等人，2016年）。然而，这些模型在提供个体化坏死概率和位置的精确量化方面存在局限性，限制了其在临床上的广泛应用。
近年来，放射组学技术通过实现跨不同空间尺度的高通量图像特征提取和量化，为关联患者的个体化生理和生物信息提供了新的方法。这项技术有望揭示与放射敏感性和放射耐受性相关的生物学特征，如成纤维细胞增殖、血管供应变化、缺氧和分子微环境（Bera等人，2022年），为精确预测放疗并发症提供了新的见解。Liu等人（2023年）利用基于多参数磁共振成像（MRI）的放射组学和机器学习构建了一个智能预测模型，用于预测rNPC再放疗后的NN，其准确性显著高于传统的临床统计模型。Lu等人（2023年）使用结合放射组学和剂量学特征的深度学习模型整合了多模态信息，在预测中取得了良好的分类性能。
然而，大多数现有研究都是基于MRI进行预测的。尽管MRI提供了出色的软组织对比度，但其在常规临床实践中的可用性相对有限，且扫描序列和参数的标准化仍然具有挑战性。相比之下，放疗计划计算机断层扫描（CT）是再放疗工作流程中不可或缺且高度标准化的成像方式，提供了更大的数据可用性。许多研究已经证实了基于CT的放射组学在预测放疗结果中的重要性（Zheng等人，2023年；Wang等人，2024年；Liu等人，2022年）。例如，Zheng等人（2023年）探讨了基于CT的放射组学评分图在预测头颈部鳞状细胞癌患者Ki-67指数方面的潜力。Wang等人（2024年）通过分析CT放射组学特征成功预测了喉鳞状细胞癌患者隐匿淋巴结转移的风险。Liu等人（2022年）独立验证了一个CT放射组学模型，用于评估局部晚期下咽癌患者诱导化疗的有效性和无进展生存期。这些研究强烈支持CT放射组学在头颈部肿瘤中的价值；然而，其在预测rNPC再放疗后NN的应用却很少被报道。因此，基于放疗计划CT构建NN预测模型不仅规避了MRI的局限性，而且更符合临床工作流程，具有更清晰的转化前景。
因此，本研究整合了多模态数据，包括放疗计划CT、三维剂量分布和临床特征，以开发一个智能模型来预测rNPC再放疗后NN的风险。该模型提供了一个有效的定量工具，以应对这一临床挑战，并有望帮助临床医生制定未来的个性化治疗计划，从而改善患者预后和生活质量。
患者数据
我们回顾性分析了2010年2月至2020年6月期间在两个中心接受再放疗的局部复发性鼻咽癌患者。纳入标准如下：(a) 接受再放疗（无论是否伴有化疗）的局部复发性鼻咽癌患者；(b) 再放疗前有CT影像资料。所有入组病例的复发时间间隔均超过12个月。
临床特征
通过对临床记录的全面回顾，共有135名rNPC患者被纳入本研究。在135名患者中（32名女性和103名男性），中位随访时间为2.3年，最后一次随访时间为2024年9月。这些患者被随机分配到训练组（n = 100）和内部测试组（n = 26），比例约为8:2。此外，还纳入了另一个机构的独立队列（n = 9）作为
讨论
本研究成功开发并验证了一个基于多模态特征（CT放射组学、剂量组学和临床特征）的预测模型，用于评估rNPC患者再放疗后NN的风险。结果表明，CT放射组学特征为预测模型提供了最重要的信息。多模态特征融合策略，特别是结合CT和剂量组学特征的模型，表现出优异且稳健的预测能力
伦理批准和参与同意
本研究遵守了《赫尔辛基宣言》，并获得了中山大学肿瘤中心伦理委员会（编号B2023-103-01）和福建癌症医院伦理委员会（编号YKT2020-011-01）的批准。中山大学肿瘤中心伦理委员会免除了书面知情同意的要求。
资金声明
本工作得到了国家自然科学基金（12505426和12475360）和国家重点研发计划（2022YFC2402304）的共同支持。
CRediT作者贡献声明
Xingwang Gao：正式分析，撰写——原始草案。
Yinglin Peng：正式分析，资金获取，撰写——原始草案。
Jingjing Miao：资源提供，撰写——审阅与编辑。
Jiaxin Lin：正式分析，撰写——原始草案。
Zhaodong Fei：资源提供，撰写——审阅与编辑。
Xiao Liu：数据管理，调查。
Meining Chen：数据管理，调查。
Jun Zhang：数据管理，调查。
Zhenyu Qi：数据管理，调查。
Qichao Zhou：数据管理
