放射性肺炎(radiation pneumonitis, RP)是胸部肿瘤放射治疗中较为常见的并发症，在接受胸部放疗的患者中，15%~40%的患者会发生症状性放射性肺炎^[1]。RP的发生是提高靶区放射剂量的限制性因素，严重影响治疗效果。

放射性肺炎的发生与正常肺组织受照射剂量体积以及患者的年龄、基础肺功能、吸烟史、同步化疗等因素密切相关^[2]。然而RP的发生机制尚未明确，还没有有效手段来准确预测RP的发生。近年来，通过医学影像特征提取与分析，开展放疗疗效和不良反应预测的研究越来越受到关注^[3-4]。CT是放疗前必查项目，放疗前CT影像特征能准确预测RP的发生风险，将对胸部肿瘤放疗剂量个体化及RP早诊早治具有重要意义。本研究针对肺癌放疗患者，提取放疗前CT影像特征，并结合临床信息、放疗剂量参数等进行影像组学分析，采用机器学习模型筛选与发生RP密切相关的特征参数，建立RP预测模型。

1. 研究对象：回顾性收集2018年11月至2020年4月期间在江南大学附属医院接受放射治疗的103例肺癌患者。纳入标准：①病理证实为肺癌，接受胸部常规分割调强放疗。②放疗前美国东部肿瘤协作组(ECOG)评分≤2分，无间质性肺疾病，无严重心、肝、肾功能障碍。③放疗前肺功能：1 s用力呼气量(FEV1)>1.5 L、FEV1%和一氧化碳弥散量%(DLCO%)占预计值的60%以上。④放疗结束后随访6个月以上。患者一般资料见表 1。

表 1(Table 1)

表 1 103例肺癌放疗患者一般资料及与放射性肺炎发生相关性的单因素分析 Table 1 Characteristics of 103 lung cancer patients underwent radiotherapy and univariate analysis of factors related with radiation pneumonitis 项目 未发生放射性肺炎 发生放射性肺炎 发生率(%) χ2/t值 P值 性别 1.60 0.206   男 60 26 30   女 15 2 12 年龄(岁) 0.15 0.702   ≥65 37 15 29   ＜65 38 13 25 吸烟史 0.58 0.448   有 42 18 30   无 33 10 23 病理类型 2.22 0.330   鳞癌 30 13 30   腺癌 27 12 31   小细胞肺癌 18 3 14 T分期 0.03 0.857   1~2 39 14 26   3~4 36 14 28 N分期 0.66 0.416   0~1 25 7 22   2~3 50 21 30 手术治疗 0.39 0.534   未手术 58 20 26   术后 17 8 32 放疗剂量(Gy) 0.00 0.954   ≥60 46 17 27   ＜60 29 11 28 化疗史 0.01 0.921   无 34 13 28   有 41 15 27 同步化疗 0.01 0.921   无 49 18 27   有 26 10 28 靶向治疗史 0.60 0.439   无 59 20 25   有 16 8 33 同步靶向治疗 0.00 1.000   无 70 26 27   有 5 2 29 平均肺剂量(Gy) 9.52±3.14 12.30±6.43 2.20a 0.035 肺V5 Gy(%) 39.37±12.66 42.85±14.85 1.18 a 0.240 肺V10 Gy(%) 28.68±9.93 32.43±10.03 1.70 a 0.092 肺V20 Gy(%) 18.19±6.79 21.76±7.07 2.34 a 0.021 肺V30 Gy(%) 11.04±4.90 14.23±4.96 2.93 a 0.004 注：a为t值

表 1 103例肺癌放疗患者一般资料及与放射性肺炎发生相关性的单因素分析 Table 1 Characteristics of 103 lung cancer patients underwent radiotherapy and univariate analysis of factors related with radiation pneumonitis

2. CT图像采集、勾画和放疗实施：CT图像采用放疗定位时的平扫图像，CT机型号为LightSpeed Ultra(美国GE公司)，扫描参数为扫描层厚5 mm，管电压120 kV_P，管电流自动，矩阵512×512像素。图像传输至Xio计划系统，并在医科达(瑞典Elekta公司)的医生工作站上勾画放疗靶区和正常组织等。后进行放疗计划设计，放疗靶区PTV总剂量范围45~66 Gy (中位剂量60 Gy)，所有计划设计完成后经过放疗科医生和物理师审核后执行。

3. RP评级：以放疗前的CT图像作为基准，将放疗后的随访胸部CT作为参考，结合美国肿瘤放射治疗协作组(RTOG)急性RP分级标准进行RP的分类判定：0级：无变化；1级：轻微的干咳或用力的时候呼吸困难；2级：持续性咳嗽，需要麻醉性镇咳药，轻微用力时呼吸困难，X射线无变化或者有轻微的棉絮状或片状影；3级：严重咳嗽，麻醉性镇咳药无效，安静时呼吸困难，X射线呈致密性，需要间断性吸氧或者激素治疗；4级：呼吸功能不全，需要持续性吸氧或辅助机械通气；5级：致命性呼吸困难。当分类2级以上则判定为症状性放射性肺炎发生。

4. 影像组学特征提取：设置提取参数的感兴趣区(ROI)为双侧正常肺组织，排除计划靶区(planned target volume, PTV)、肺门、肺不张和增厚的胸膜。使用Matlab软件编写，对原始图像先做滤波处理，去除噪声干扰，然后提取ROI的影像组学特征，包括灰度共生矩阵特征(GLCM)、灰度行程长度特征(GLRLM)、直方图特征(Histogram)^[5]，小波变换后的这3类特征(wavelet-GLCM、wavelet-GLRLM、wavelet-Histogram)，以及几何特征(Geometry)和分形特征(Fractal)^[6]，共250个特征。

5. 临床与剂量学资料分析：收集患者性别、年龄、吸烟史、病理类型、T分期、N分期、手术/化疗/分子靶向治疗情况等临床资料，放疗剂量学参数从计划系统中获取，包括总放疗剂量，平均肺剂量(mean lung dose, MLD)和接受5、10、20和30 Gy剂量照射时正常肺组织的体积百分数(V_{5 Gy}、V_{10 Gy}、V_{20 Gy}、V_{30 Gy})，利用单因素分析临床、剂量学参数与RP发生的相关性，初步筛选肺炎预测的潜在因子。

6. 特征选择与建模：本研究采用最小绝对值收敛和选择算子(the least absolute shrinkage and selection operator, LASSO)回归机器学习模型^[7]。该方法通过L1正则化稀疏模型，避免过拟合，可有效提高模型预测的准确性和可解释性。进行单因素分析以后，开展LASSO回归时，纳入所有的临床、剂量学资料以及影像组学特征进行总体筛选。对总样本随机分割，用3/4的数据进行训练，1/4的数据用于测试。在训练集队列中通过五折交叉验证求得一系列LASSO模型的正则化参数λ，选择最小的λ确定特征选择。然后，在测试集中计算得到预测模型的受试者工作特征曲线(ROC)下的面积(AUC)、敏感性和特异性。最后用筛选的特征构造列线图(Nomogram)以描述预测，便于临床使用。

7. 内部验证：分别在训练集、测试集及总样本中采用五折交叉验证和Bootstrap的方法进行预测模型的验证与评价，两种方法各重复2 000次，得到稳定的AUC、敏感性和特异性的点估计和95%置信区间估计。

8. 统计学处理：采用R软件进行数据的统计分析，双侧检验。对于分类资料行χ²检验；定量资料符合正态分布做独立样本t检验。特征的选择、建模和内部验证也在R软件中实现。列线图的绘制采用R软件的RMS包。P < 0.05为差异有统计学意义。

1. 临床与剂量学资料分析：患者一般资料见表 1。在收集的103例患者中，有28例(27%)发生了2级以上症状性放射性肺炎。单因素分析结果显示，临床特征中未发现在RP发生与否的组间差异存在统计学意义(P>0.05)；而剂量学特征中，患者双侧正常肺组织的平均受照剂量(MLD)、V_{20 Gy}和V_{30 Gy}在RP发生与否的组间差异有统计学意义(t=2.20、2.34、2.93，P < 0.05)，表明这些剂量学特征为RP发生的相关因素。

2. 特征选择与建模：采用最小绝对值收敛和选择算子(LASSO)方法综合筛选临床、剂量学特征及影像组学特征，共筛选得到4个特征，分别为双侧正常肺组织的V_{30 Gy}和3个影像组学特征，包括灰度共生矩阵熵特征(GLCM.Entropy)和小波变换的直方图均值特征(LH_HIST.mean.scaled)和中位数特征(HH_HIST.median.scaled)。利用五折交叉验证和Bootstrap方法进行模型内部验证和评价，其结果见表 2。样本总体内部验证的AUC值为0.757，敏感性为61.0%，特异性为84.0%。

表 2(Table 2)

表 2 预测模型的内部验证结果 Table 2 Internal validation results of the prediction model 数据集 AUC 95% 置信区间 敏感性 95% 置信区间 特异性 95% 置信区间 下限 上限 下限 上限 下限 上限 训练集(五折交叉验证) 0.762 0.757 0.766 0.717 0.704 0.729 0.764 0.753 0.776 测试集(五折交叉验证) 0.701 0.682 0.719 0.786 0.763 0.809 0.744 0.723 0.765 训练集(Bootstrap) 0.782 0.780 0.785 0.768 0.762 0.773 0.766 0.761 0.772 测试集(Bootstrap) 0.677 0.672 0.682 0.724 0.717 0.731 0.711 0.704 0.718 总样本 0.757 0.610 0.840 注：AUC.曲线下面积

表 2 预测模型的内部验证结果 Table 2 Internal validation results of the prediction model

为了便于临床医生直观的从参数直接预测RP发生的概率，利用筛选的特征建立了RP发生风险的列线图，如图 1所示。利用列线图可快速预测针对个体化患者的RP发生率情况，首先找到该患者的临床或者影像组学特征所对应的位置，画垂线与得分线相交记录得分，各因素得分相加在总分上找到总得分，画垂线与RP线段相交即可得到相应的RP发生概率。由图 1可见，GLCM的熵特征值越大，不同小波变换的直方图的均值和中位数特征值越小，肺组织剂量V_{30 Gy}越大，RP发生的风险越大，并且V_{30 Gy}的线段最长，即该因素在RP发生风险预测中贡献最大。

注：Lungs.V30. 肺的剂量体积百分数V30 Gy; GLCM.Entropy. 灰度共生矩阵类别的熵特征; LH_HIST.mean.scaled. 小波变换直方图类别的均值; HH_HIST.median.scaled.小波变换直方图类别的中位数特征; RP. 放射性肺炎 图 1 预测放射性肺炎发生风险的列线图 Figure 1 Nomogram for predictive risk of radiation pneumonitis

在胸部肿瘤放疗临床中，患者发生RP的预测可有效指导相应的临床干预措施。研究者尝试通过血液细胞因子和肺功能检测等方式来探讨RP的预测方法^[8]，而这些方法需额外检查，并受多种因素影响导致结果不一。研究者也发现放疗计划中肺组织的剂量学参数与RP的发生存在一定相关性^[9-10]。因而，为了降低RP发生的风险，放疗计划中严格控制正常肺组织所受剂量是临床实践中的标准做法，但单纯应用剂量学因子预测RP的准确性仅为60%~70%，而多个剂量学参数联用后，预测准确性有一定的提高^[11]，但临床上仍有许多患者发生的RP难以通过肺组织的物理剂量来得到有效预测。

随着医学影像技术的进步，影像组学方法在医学诊断中得到应用广泛^[12]。放疗前，患者行CT影像检查是常规，因而基于CT图像开展预测RP的影像组学研究，具有非常好的应用价值。Cunliffe等^[9]针对食管癌放疗患者的研究发现，肺组织内随机选择的32 × 32像素矩阵内的CT影像组学特征在放疗前后的差异与RP的发生，甚至RP的严重程度等均具有相关性。路玉昆等^[13]的研究发现，肺癌患者放疗前与中期健侧与患侧肺的CT影像组学特征发生显著变化。张臻等^[14]针对Ⅲ期非小细胞肺癌，通过方差分析及LASSO方法，筛选出5个影像组学特征，构建发生等级≥1的RP预测模型，AUC为0.71。Krafft等^[15]用十折交叉验证得到非小细胞肺癌放疗患者发生等级≥3的RP预测模型，加入影像组学特征后的模型AUC达到0.68。这些研究都证实了影像组学方法预测RP的可能性。

本研究针对胸部放疗常见的肺癌行常规分割放疗的患者，开展发生症状性RP预测的CT影像组学研究，结合临床与剂量学参数，构建RP的预测模型。首先从单因素分析结果发现，RP的发生与肺的平均剂量MLD、剂量体积百分数V_{20 Gy}和V_{30 Gy}的相关性具有统计学意义，这与已有研究结果一致^[16]。并且，V_{30 Gy}的P值更小，提示了RP的发生与偏大剂量的体积更相关的趋势。

本研究为提取更全面完整的影像组学特征，将双侧的正常肺组织都作为感兴趣区，包含的肺组织CT图像信息更全面。CT图像在采集、数字化及传输中带有的噪声，会影响成像质量，降低对比度空间分辨率等。因而本研究在提取影像组学特征前，进行了滤波处理，去除噪声影响，提取的特征更能反应组织成像的本质内容。在进行特征选择与建模时，本研究选择用LASSO回归机器学习的方法，该方法特别适合样本量比自变量少的情况，可有效避免过拟合问题。将肺癌患者正常肺组织的CT影像组学、临床及剂量学特征都作为潜在预测因子，纳入LASSO进行特征选择，并建立了RP的预测模型，测试集中预测的AUC较为理想，样本内部验证的AUC为0.757，说明该模型对症状性RP提供了良好的预测能力。本研究共筛选的GLCM类别特征属于纹理特征，而小波变换由于考虑了时频变化，能更加精确的描述局部，进行信号特征的分离，因而可能更容易被筛选出来。虽然与其他研究筛选的特征不一，但与张臻等^[14]的结果一样，也同样大部分是小波变换后的特征。本研究选择的特征与文献报道的不完全相同，可能由于研究对象和提取特征的感兴趣区域、特征种类等因素存在差异。最后，本研究基于选择的特征构建了预测RP风险的列线图，从该图可方便临床医生根据每个患者的特征值估算RP发生的风险，从而给与个体化的风险预测与提前干预。

本研究存在的主要缺陷：首先，有研究者通过不同批次的扫描和图像分割，进行test-retest、contour-recontour研究以降低扫描与勾画的不确定性^[17]，从而选择可重复性较高的影像组学特征。本研究为回顾性研究，采用的是单次CT扫描图像及单次正常肺组织勾画的方法，在获得稳定影像组学特征方面有一定欠缺。然而，有文献报道，勾画因素对影像组学特征可重复性的影响相对较小^[17]，而且本研究采用半自动勾画的方法，准确性相对较高。其次，本研究样本量较小，预测模型的稳定性还有待提高，模型的泛化能力仍需要进一步通过外部验证来证实。

综上所述，本研究发现CT影像组学特征对预测放疗后症状性放射性肺炎的发生有重要价值，利用影像组学结合剂量学特征得到了RP预测模型。今后还需扩大样本量，并增加多中心的样本进行外部验证，以便得到稳定性和准确性更高的预测模型。

利益冲突  所有作者均声明不存在利益冲突

志谢 本研究受江苏省卫健委医学科研面上项目(M2020005)，无锡市科技发展基金(N20192028)，无锡市太湖人才计划“双百”中青年医疗卫生后备拔尖人才(肿瘤学)(HB2020054)项目资助

作者贡献声明  孔燕负责论文撰写、数据分析；吴佳负责临床数据收集与分析；魏贤顶、孔旭东负责剂量数据收集与分析；鲍而文负责临床数据收集与分析；孙宗琼参与研究；黄建锋负责临床数据收集分析、论文修改