基于CT和MRI影像组学特征的集成学习模型预测头颈癌放疗后早期口干症

本研究针对头颈癌(HNC)放疗后早期口干症(xerostomia)的预测难题，创新性地结合T1/T2加权磁共振(MR)影像组学特征与CT剂量学参数，通过集成学习(RT-BN等模型)实现AUC达0.97的高精度预测，为个性化放疗方案制定提供新工具。

　　

头颈癌放疗后高达50%的患者会遭遇口干症的困扰，这种因唾液腺损伤导致的并发症严重影响患者生活质量。尽管调强放疗(IMRT)等技术试图保护正常组织，但肿瘤与唾液腺的解剖毗邻关系仍使风险难以规避。传统基于剂量体积直方图(DVH)的正常组织并发症概率(NTCP)模型忽视个体组织特性，而新兴影像组学(Radiomics)技术为个性化预测带来曙光。伊朗医科大学联合美国埃默里大学的研究团队在《Scientific Reports》发表的研究，首次系统评估了T₁/T₂加权MR联合CT影像组学特征在预测早期口干症中的价值，并通过创新性集成学习方法将预测性能推向新高度。

研究采用前瞻性队列设计，纳入80例头颈癌患者，采集治疗前CT、T₁/T₂加权MR图像及剂量学参数。通过3D Slicer软件提取642个双侧腮腺影像组学特征，结合COMBAT技术校正多中心MR数据差异。采用Pearson检验筛选特征后，构建随机树(RT)、贝叶斯网络(BN)等单一模型及11种集成模型，通过SMOTE算法解决数据不平衡问题。

单模型性能比较显示：T₁加权特征预测效能显著优于T₂加权，RT模型在T₁组表现最佳(AUC=0.90)。多模型集成分析发现：RT-BN双模型组合实现突破性性能(AUC=0.97)，而三重/四重集成未带来额外增益。特征重要性分析揭示：化疗史、V₄₀Gy剂量参数及GLRLM(灰度游程矩阵)纹理特征最具预测价值。

这项研究的意义在于：首次证实T₁加权MR影像组学可作为预测早期口干症的优越生物标志物，其性能超越传统T₂加权图像；创新性证明RT-BN集成模型较单一模型显著提升预测精度，为临床决策提供可靠工具。尽管存在缺乏外部验证的局限，但研究提出的多模态影像组学框架，为头颈癌放疗毒性管理开辟了新途径，未来结合动态影像监测有望进一步优化预测模型。