鼻咽癌（NPC）是东南亚和东亚地区一种非常常见的地方性肿瘤，放疗是目前治疗非转移性鼻咽癌的首选方式，但颞叶（TL）不可避免地被包括在放射野中。据报道，接受放射治疗（IMRT）的患者辐射诱发的颞叶损伤（RTLI）的发生率为4.6%至8.5%。发生RTLI的患者在记忆、语言和活动能力等方面会受到损害，但近一半的患者（45.3%）在诊断时没有RTLI的症状，大多数患者甚至在晚期也没有症状。

目前RTLI的影像诊断主要依靠MRI。然而，现有的常规MRI技术只能在不可逆阶段区分RTLI。最近，人工智能（AI）如放射组学已被广泛用于预测并发症和疾病进展等治疗效果。放射组学描述了从常规诊断扫描中提取大量基于图像的特征的过程，量化肿瘤形状、图像强度和纹理的高维数据可以反映疾病的特征，在临床决策中应用广泛。

近日，发表在European Radiology杂志的一项研究开发并验证了一个基于放射组学的用于预测NPC患者RTLI的治疗前预测模型，为临床早期识别RTLI的程度及风险提供了技术支持。

本研究共对216名被诊断为鼻咽癌的患者进行了回顾。所有患者被随机分配到训练组（n = 136）和验证组（n = 80）。从治疗前增强T1或脂肪抑制T2加权MRI中提取放射组学特征。通过最小绝对收缩和选择运算符（LASSO）回归算法、皮尔逊相关分析和单变量逻辑分析产生放射组学特征，并使用逻辑回归分析选择临床特征。进行多变量逻辑回归分析，为训练队列的RTLI预测建立三个模型：即放射组学特征、临床变量和临床-放射组学参数。使用放射组学列线图，并对其校准、鉴别、重新分类和临床应用进行了评估。 

本研究发现，由两个放射组学特征组成的放射组学特征模型与RTLI显著相关。所提出的放射组学模型在训练（AUC，0.89）和验证队列（AUC，0.92）中都表现出良好的鉴别能力，且超过了临床预测模型（P < 0.05）。同时结合放射组学和临床特征所建立的模型取得了更高的AUC（AUC，0.93和0.95）以及更好的校准和提高RTLI的预测准确性。临床-放射组学模型在预测不同临床-病理亚组的RTLI方面也显示出优异的性能。 

图 （a）在训练队列中构建了放射组学列线图，并纳入了放射组学评分、T分期和年龄。（b）训练队列和（c）验证队列中的放射学列线图校准曲线

本研究开发并验证了一种机器学习方法，该方法通过治疗前的颞叶MRI图像实现了对鼻咽癌（NPC）患者辐射诱导颞叶损伤（RTLI）的预测及评估。确定的放射组学特征可用作RTLI风险分层的生物标志物。

原文出处：

Dan Bao,Yanfeng Zhao,Lin Li,et al.A MRI-based radiomics model predicting radiation-induced temporal lobe injury in nasopharyngeal carcinoma.DOI:10.1007/s00330-022-08853-w