放射剂量组学研究进展.pdfVIP

放射剂量组学研究进展

【摘要】精准描述肿瘤放射治疗的剂量分布，对于制订、评估放疗计划，以改

善放疗患者预后和减少并发症至关重要。传统的剂量学模型常基于剂量体积直方

图，但这种模式会丢失治疗计划中的剂量分布和纹理信息。剂量组学是一个快速

发展的研究领域，为剂量分布和纹理等信息的分析提供了新的方向。本文旨在对

剂量组学相关研究进行综述，以探究剂量组学在放射治疗中的发展现状、局限性

及临床价值。

【关键词】放射疗法；剂量组学；人工智能

在肿瘤的放射治疗中，需要制订高质量的放疗计划，给予放疗靶区合适的处

方剂量，同时控制周围正常组织并发症的发生风险，以达到肿瘤放射治疗的最佳

效果，提高局部控制率。既往研究中对放疗剂量的描述方式经过逐代演化推新，

通过剂量体积直方图（dose‐volumehistogram，DVH）或基于剂量体积直方图

的正常组织并发症概率（normaltissuecomplicationprobability，NTCP）模

型和肿瘤控制概率（tumourcontrolprobability，TCP）模型进行剂量计划评

估［1-2］是常用的方式，将剂量‐体积信息浓缩为数字，可以有效评价治疗方

案以及预测正常组织不良反应。但是运用上述方法通常依靠累积DVH，将剂量与

感兴趣区域体积的关系通过使用接受至少一定剂量的体积的百分比进行表达，无

法充分描述治疗计划中的剂量空间信息、形状和纹理信息，难以充分利用隐藏在

剂量分布中的信息［3］。

影像组学和人工智能等技术的飞速发展为深入探究并表述剂量分布提供了

新的可能。放射剂量组学即剂量组学（dosiomics），其中的“剂量”是指放射

治疗中应用的剂量。剂量组学首先被用于宫颈癌放疗直肠不良反应预测［4］，

其被视为影像组学的延伸［5］，从患者的二维（twodimensional，2D）或三

维（threedimensional，3D）放射治疗剂量分布信息中提取特征，并可以通过

基于纹理、强度和形状的特征来定量特定感兴趣区域（regionofinterest，R

OI）中的剂量分布，实现对剂量分布精细分析，进而应用于放疗计划设计及放疗

预后和并发症预测。本文对近年的剂量组学研究进展进行汇总，并按各癌种的预

后等方面对剂量组学研究进行综述。

一、剂量组学工作模式

剂量组学工作流程与影像组学类似，多包括图像数据采集、预处理、感兴趣

区域分割、特征提取与选择、建立模型。剂量分布图像中可提取大量的剂量组学

特征，大致包括一阶直方图特征、二阶纹理特征、高阶纹理特征、形态学特征等

［5］。进行特征选取后利用不同机器学习方式生成预测模型，如逻辑回归、决

策树、随机森林、支持向量机、深度学习等，其中深度学习方法可提取剂量分布

数据中的深层特征。Zhen等［4］使用直肠表面剂量分布预测直肠不良反应的模

型和Liang等［6］的放射性肺炎预测模型都利用基于卷积神经网络（convolut

ionalneuralnetwork，CNN）的深度学习方法，生成的模型性能被证明优于机

器学习中的非深度学习方法。

二、剂量组学相关应用

1.放疗预后预测的剂量组学方法研究

（1）肺癌：在放射治疗方面，与肺癌有关的剂量组学大都聚焦于预测放射

性肺炎（radiationpneumonitis，RP）［7-8］。Liang等［7］首次使用手工

计算的剂量组学特征对70例接受容积弧形调强放射治疗（volumetricmodulat

edarctherapy，VMAT）的非小细胞肺癌患者进行RP预测，与基于剂量学和N

TCP因子的模型相比性能更优。Adachi等［9］进一步将剂量学参数与剂量组学

特征结合构建混合模型。2项研究都发现灰度共生矩阵（graylevelco‐occur

rencematrix，GLCM）等特征与RP更高的相关性，这提示肺局部剂量变化越大，

越有可能出现RP。

相关研究进一步将剂量分布在空间角度细致划分，同时结合影像组学，进行

亚区分析［9-11］。Li等［10］通过剂量分布中的递增剂量区间将肺划分为子

区域。在另一项研究中基于肺灌注功能图像将整个肺体积划分为功能性肺区域［1

1］。上述研究通过对高相关区域独立分析有效提升了模型预测能力，分析了低

剂量、高肺功能区域的剂量组学特征与RP的高相关性，可以发现超过50%的剂

量组学特征源自剂量低于20Gy的区域，但同时研究