基于剂量组学和影像组学的CTV联合模型预测脑胶质瘤放疗疗效的SHAP可解释性研究

《BMC Medical Imaging》：Dosiomic and radiomic features within radiotherapy target volume for predicting the treatment response in patients with glioma after radiotherapy

　　本研究针对脑胶质瘤放疗后疗效预测难题，开发了整合临床、剂量组学、影像组学和DVH参数的机器学习模型。通过分析176例患者数据发现，CTV联合SVM模型在验证队列中AUC达0.728，SHAP分析揭示剂量分布特征对预测贡献显著。该研究为个体化放疗方案优化提供了可解释的决策支持工具。

　　

脑胶质瘤作为中枢神经系统最常见的恶性肿瘤，约占成人恶性脑肿瘤的80%，其治疗一直是神经肿瘤领域的重大挑战。尽管放疗已成为标准治疗手段，但令人遗憾的是，近70%的患者会出现复发，导致临床预后不佳。当前临床实践中，放射肿瘤学家面临着一个两难抉择：提高靶区剂量虽可增强局部控制，但可能损伤周边正常组织；而若保守给药，又可能因剂量不足导致治疗失败。这种困境凸显出对放疗疗效预测工具的迫切需求。

在这一背景下，Wang等研究人员在《BMC Medical Imaging》上发表了创新性研究，探索利用剂量组学(dosiomics)和影像组学(radiomics)特征来预测脑胶质瘤患者的放疗疗效。与传统方法不同，该研究不仅关注肿瘤本身的特征，还深入分析了放疗剂量分布的空间信息，为理解剂量与生物效应之间的关系提供了新视角。

研究团队采用了几个关键技术方法：首先建立了包含176例脑胶质瘤患者的回顾性队列（来自合肥癌症医院），定义5个感兴趣区（GTV、GTVtb、CTV、CTV-GTV、CTV-GTVtb）；从CT图像和剂量图中分别提取107个影像组学和剂量组学特征；结合6个临床变量和6个DVH参数，使用SMOTE处理数据不平衡，通过Relief和RFE进行特征选择；采用SVM、RF、XGBoost和LR四种算法构建五种预测模型；最后利用SHAP方法进行模型可解释性分析。

研究结果

患者特征和剂量学特征

研究纳入的176例患者被分为训练队列（115例，DCR组71例vs非DCR组44例）和验证队列（61例，DCR组34例vs非DCR组27例）。两组在年龄、性别、KPS评分、肿瘤类型、肿瘤分级和化疗使用等临床特征上无显著差异。剂量学分析发现，GTVtb最小剂量和CTV-GTVtb的D_98%是肿瘤复发的独立风险因素。

临床和DVH模型性能

临床模型和DVH模型在所有感兴趣区和机器学习算法中表现均不理想，验证队列中AUC普遍低于0.65，证实单纯依靠临床变量或传统DVH参数难以准确预测放疗疗效。

特征选择

通过递归特征消除最终为每个感兴趣区保留5个影像组学特征、5个剂量组学特征和5个排除形状特征的影像组学特征，用于模型构建。Spearman相关性分析显示所有特征对间相关性均低于0.9，无多重共线性问题。

影像组学、剂量组学和联合模型性能

在众多模型中，基于临床靶区(CTV)的联合支持向量机(SVM)模型表现最佳，训练队列AUC为0.815(95%CI:0.790-0.839)，验证队列AUC为0.728(95%CI:0.717-0.739)。比较分析显示，CTV联合模型显著优于其他单一特征模型(p<0.05)。其他感兴趣区如GTV和GTVtb的联合模型也显示出一定预测价值，但性能均不及CTV模型。

CTV联合SVM模型的评估和可解释性

校准曲线显示模型预测概率与实际结果高度一致。决策曲线分析证实模型在低至中等阈值范围内具有临床实用性。SHAP分析揭示剂量组学特征对模型预测贡献最大，其中"D.firstorder_Variance"（剂量分布方差）、"D.shape.Maximum2DDiameterSlice"（最大二维切片直径）和"D.firstorder_Minimum"（最小剂量值）是前三大重要特征。力力图和交互图进一步展示了个体化预测中各特征的贡献程度及特征间的相互作用。

研究结论与讨论

本研究成功开发并验证了一个整合多维度特征的机器学习模型，用于预测脑胶质瘤患者的放疗疗效。研究表明，剂量组学特征在预测模型中扮演着关键角色，这为理解放疗剂量分布与治疗响应之间的关系提供了新的视角。

与既往研究相比，本研究的创新点在于：首次将剂量组学应用于脑胶质瘤放疗疗效预测；采用SHAP方法增强模型的可解释性；全面比较了不同感兴趣区的预测价值。研究发现CTV区域包含最完整的病理生理信息，其预测性能最优，而仅包含肿瘤周边环境的CTV-GTV区域虽有一定预测能力，但因缺乏肿瘤核心信息而性能稍逊。

SHAP分析提供的生物学见解尤为值得关注：治疗有效的患者往往在CTV区域表现出较高的剂量方差和较低的二维最大直径，表明剂量集中在肿瘤核心周边并形成有效梯度；而治疗无效患者即使最低剂量 voxel也接受较高剂量，提示缺乏必要的剂量梯度。从影像组学角度看，GrayLevelNonUniformity较高的患者可能预示着肿瘤内部结构不明确、低密度或坏死区域的存在，这与不良预后相关。

研究的临床意义在于，CTV联合SVM模型可作为非侵入性决策支持工具，帮助放射肿瘤学家识别可能对标准剂量方案反应不佳的患者，从而及时调整治疗策略。模型的可解释性使临床医生能够理解预测依据，增强临床应用的信心。

然而，研究也存在一定局限性：单中心回顾性设计可能影响结果普适性；仅使用CT图像而未整合MRI等多模态影像；放疗靶区为预定义而非自动分割。未来研究应扩大样本量、纳入多中心数据、结合多模态影像，并探索与分子标志物（如IDH突变状态）的关联，以进一步提升模型的预测性能和临床转化价值。