基于贝叶斯估计的Poisson-NTCP模型优化：预测鼻咽癌调强放疗后颞叶损伤风险的参数估计方法比较研究

《BMC Cancer》：A comparative study of different parameter estimation methods for predictive models of Normal Tissue Complication Probability (NTCP) of radiation-induced temporal lobe injury following intensity-modulated radiotherapy in nasopharyngeal carcinoma

本研究针对鼻咽癌(NPC)患者调强放疗(IMRT)后颞叶损伤(TLI)预测中正常组织并发症概率(NTCP)模型参数估计方法的选择难题，通过比较贝叶斯估计(BE)、最小二乘法(LSE)和最大似然估计(MLE)三种方法在五种NTCP模型中的表现，发现基于BE的Poisson-NTCP模型在AUC(0.938-0.958)和R2(0.915-0.953)指标上表现最优，为临床精准预测放射性脑损伤提供了方法学优化，成果发表于《BMC Cancer》。

　　

放射治疗是鼻咽癌治疗的主要手段，而调强放疗(IMRT)因其剂量学优势成为临床首选。然而，IMRT在提高肿瘤控制率的同时，也可能导致周围正常组织的放射性损伤，尤其是颞叶损伤(TLI)这一严重并发症。目前，预测TLI风险的正常组织并发症概率(NTCP)模型已在临床中得到应用，但模型参数估计方法的优化仍是一个亟待解决的问题。传统最大似然估计(MLE)方法在处理非正态分布或相关性数据时存在局限性，可能导致估计偏差或计算失败。此外，单一模型的参数估计方法容易陷入局部最优，影响预测准确性。为此，南昌大学第二附属医院等机构的研究人员开展了一项多中心研究，比较不同参数估计方法在NTCP模型中的表现，相关成果发表在《BMC Cancer》杂志。

研究团队采用了三种参数估计方法（贝叶斯估计BE、最小二乘法LSE和最大似然估计MLE）对五种NTCP模型（SRU、Poisson、Lyman、Logit和Logistic）进行校准。研究数据来自两个医疗中心的612例鼻咽癌患者，分为训练集(Data-A，n=278)、外部验证集(Data-B，n=119)和内部验证集(Data-C，n=215)。通过剂量体积直方图(DVH)参数转换和等效均匀剂量(EUD)计算，使用ROC曲线下面积(AUC)和决定系数(R²)等指标评估模型性能。

在"临床特征和EUD箱线图分析"部分，研究发现三个数据集的EUD分布存在显著差异，Data-A呈现较多离群值，Data-B分布最为集中，而Data-C波动最大。这种差异为验证模型的泛化能力提供了理想条件。"ROC曲线分析"结果显示，三种参数估计方法在AUC指标上表现相近，但BE在Poisson模型中的表现尤为突出。"混淆矩阵分析"表明BE更适合Poisson模型，LSE在Logit和Lyman模型中表现相当，而MLE则更适用于Lyman模型。"剂量-反应曲线"验证了NTCP与剂量之间呈S形关系，且BE方法构建的曲线拟合效果最佳。

在"R²评估指标"部分，研究获得了关键发现：对于Poisson模型，BE在三个数据集中的R²值分别为0.953、0.958和0.915，显著优于LSE和MLE；而对于Logistic模型，LSE与BE表现相当；Lyman模型则更适合使用MLE方法。这些结果为不同NTCP模型选择最优参数估计方法提供了实证依据。

讨论部分指出，本研究首次系统比较了不同参数估计方法在NTCP模型中的应用效果。BE方法通过整合先验知识，在处理小样本数据时表现出明显优势，特别是在Poisson模型中。研究还创新性地采用多中心数据验证，避免了单一数据集的局限性。从临床转化角度看，该研究为精确预测放射性脑损伤风险提供了方法学支持，有助于医生在制定放疗计划时更好地平衡疗效与安全性。

该研究的结论明确：贝叶斯估计是三种参数估计方法中的最优选择，基于BE的Poisson-NTCP模型在预测鼻咽癌IMRT后TLI发生率方面表现出最佳拟合效果。这一发现不仅解决了NTCP模型参数估计方法选择的技术难题，也为个体化放疗方案的制定提供了可靠工具，具有重要的临床应用价值。未来研究可进一步扩大样本量，验证该方法在其他正常组织并发症预测中的适用性。