放射组学在脑转移患者术后立体定向放疗局部控制预测中的应用

学术背景

脑转移（Brain Metastases, BMs）是最常见的恶性脑肿瘤，其发病率远远超过了原发性脑瘤如胶质瘤。最近的医疗指南建议对症状明显或较大的脑转移患者进行手术治疗。为了提高局部控制率，建议对一到两个切除的BMs患者进行切除腔的立体定向放疗（Stereotactic Radiotherapy, SRT），方法可以在术后12个月内实现70%到90%的局部控制率。然而，即使在辅助SRT后，局部失败（Local Failure, LF）的风险仍然存在，这引发了对预治疗放射组学（radiomics）预测工具的需求，以识别高LF风险的患者。

研究主要信息

该研究由Josef A. Buchner等发表在《Neuro-Oncology》杂志上，研究使用了放射组学和临床特征，旨在开发并外部验证一种预治疗的基于放射组学的机器学习模型，用于预测脑转移术后和SRT后的局部失败自由（Freedom From Local Failure, FFLF）。

研究方法

数据收集与初步处理

该研究的数据来源于“多中心脑转移切除腔放射治疗分析” (Aurora) 回顾性研究。训练队列包括来自两个中心的253名患者，外部测试队列包括来自五个中心的99名患者。放射组学特征从对比增强的BMs（T1-CE MRI序列）和周围水肿（FLAIR序列）中提取。最终模型在整个训练队列上进行训练，并在外部测试集上进行测试。

特征提取和处理

• DICOM图像被转换为NIFTI格式，使用Brain Extraction Toolkit (BET)提取仅包含大脑部分的图像。
• 放射组学特征通过PyRadiomics工具包从3D MRI序列中提取。
• 为应对不同MRI扫描仪产生的差异，使用NeuroCombat进行批次校正。
• 应用最小冗余-最大相关性（mRMR）特征选择框架选择相关且不冗余的特征。

模型训练与测试

使用Elastic Net回归模型（ENR），随机森林模型（RF）和极端梯度提升模型（XGBoost）进行模型训练与测试。通过5折交叉验证确定最佳批次校正模式和最佳特征数量。最终模型在训练集上进行训练，并在多中心外部测试集上进行测试。

评价指标

模型的性能通过一致性指数（CI）进行量化。为了考虑临床结果，决策曲线分析在24个月时进行评估。与手动分割对比，自动生成的分割结果通过Dice相似系数（DSC）进行比较。

结果与讨论

内部验证与外部测试

在内部验证中，Comb+Pre-Op特征集结合ENR学习器达到了最高的平均CI（0.67），在外部测试集中，Comb+Pre-Op特征集的CI达到了0.77，优于任何单独的临床特征模型。

临床应用价值

本研究的模型能够显著区分风险较低和风险较高的患者群体（p < 0.001）。经过24个月，低风险组和高风险组分别出现了9%和74%的LF，显示出该模型在患者随访与治疗计划调节中的潜在价值。

模型性能与放疗剂量的关系

研究发现放疗剂量EQD2（以2灰剂量等效）的增加对局部控制的影响不大。在联合预测模型中，预测性能有所提高，但并未显著改变模型的临床应用价值。

放射组学特征与肿瘤体积的关系

放射组学特征能够较好地预测局部失败，并且这些特征并不直接代表BMs的大小或体积。此外，研究发现肿瘤体积在训练队列内部验证中CI较低，但在外部测试中表现良好。

影响与建议

高风险患者可能从风险适应治疗和更加频繁的随访中受益，例如SRT剂量升高、使用穿过血脑屏障的系统药物以及更广泛的CTV边界。

结论

这项研究开发了基于放射组学和临床特征的机器学习模型，能够更有效地预测脑转移术后局部失败自由情况。该研究验证了多中心数据集的可行性，为个性化治疗提供了更好的依据，有望显著改善脑转移患者的总体管理。同时，模型和算法被发布为易于使用的网络应用（https://jbuchner.shinyapps.io/shiny/），便于临床医生调整随访和治疗计划。

本文在放射组学与临床特征结合的应用上有重要的创新意义，有望为未来的病患管理与治疗提供新的视角和方法。这项研究为多中心临床试验提供了坚实的数据基础，并证明了基于放射组学的预测模型在现实应用中的潜力。