多模态机器学习预测肺癌治疗相关性肺炎：非小细胞肺癌与局限期小细胞肺癌的放射组学特征差异

摘要

目的 构建一种融合临床、剂量学与影像组学特征的多模态机器学习模型，预测肺癌患者发生≥2级治疗相关性肺炎(TRP)的风险，并探索非小细胞肺癌(NSCLC)与局限期小细胞肺癌(LS-SCLC)的预测模式差异。方法 回顾性纳入2020年1月—2024年12月徐州医科大学附属医院接受根治性胸部放疗肺癌患者265例(NSCLC组136例，LS-SCLC组129例),整合临床、剂量学及影像组学特征，采用随机森林递归特征消除方法(RF-RFE)特征筛选后构建Firth逻辑回归预测模型，通过受试者工作特征(ROC)曲线、决策曲线(DCA)和SHAP分析评估模型效能及特征异质性。结果 多模态模型在NSCLC、LS-SCLC测试集中曲线下面积(AUC)分别为0.787、0.771,效能显著优于单一模型，且DCA显示其临床净获益最高；SHAP分析显示：NSCLC的TRP风险主要受宿主结构性缺陷特征驱动，而LS-SCLC更易受组织炎性易感性特征影响。结论 本研究构建的多模态模型可有效实现TRP风险分层，揭示不同病理类型肺癌的差异化影像学风险机制，为临床精准放疗和个体化肺保护提供策略。

关键词

肺癌 / 肺炎 / 多模态模型 / 机器学习 / 影像组学 / 亚组分析

基金资助

徐州市医学重点人才课题(XWRCHT20220044)