头颈部肿瘤以鳞状细胞癌最为常见^[1]。下咽鳞状细胞癌(hypopharyngeal squamous cell carcinoma，HPSCC)是头颈部肿瘤中较为罕见的亚型，全球每10万人发病率为0.17~0.8，仅占头颈部肿瘤的1.4%~5%^[2]，但这种低发病率的肿瘤却伴随着极差的预后，约60%的患者初诊时已经处于局部晚期，其5年相对生存率约为30%^[3]，是头颈部预后最差的肿瘤之一。与侵入性手术相比，根治性放疗等保留器官的治疗手段已成为未经治疗、新确诊的局部晚期HPSCC患者的首选，既实现较好的生存期，也有利于患者生活质量的维护^[4-5]。然而，HPSCC患者的整体预后较差，临床上亟需通过个性化风险预测和治疗方案优化进一步改善患者结局。但受限于HPSCC发病率较低、证据有限、缺乏有效量化工具，现有的临床经验对HPSCC风险的预测存在很大局限，难以提供可靠依据^[6]。

影像组学技术可基于CT、MRI、PET等多模态医学影像，开展结构分割、高通量特征提取、深层次数据挖掘、预测及建模分析等工作，为临床个体化诊疗决策提供重要的量化依据^[7]。在肿瘤治疗中，影像组学可以借助影像特征揭示的肿瘤内部异质性，从而预测患者对不同治疗方案的反应^[8]。此外，剂量组学通过从放疗剂量分布图像中提取剂量组学特征，也可被纳入风险预测模型，进一步提高预测效果^[9]。

本研究收集近10年的HPSCC患者多模态数据和临床随访资料，利用临床因素、影像组学与剂量组学方法构建HPSCC的局部复发预测模型，通过整合肿瘤异质性特征及放疗剂量干预等关键因素，为HPSCC患者的个体化诊疗决策提供更加准确的定量预测模型。

1.研究对象：本研究获得本院临床研究伦理委员会批准(批准号：2019YJZ76)，所有患者均书面签署了临床研究知情同意书。回顾性纳入2011年10月至2020年7月期间在北京大学肿瘤医院经病理确诊为HPSCC的76例患者，收集其CT影像、放疗剂量和临床病理等资料。纳入标准包括：①病变位于下咽部，病理类型为鳞状细胞癌。②完成保喉治疗方案：包括诱导化疗联合根治性放疗或诱导化疗联合放化疗。③放疗期间未出现延迟、干预或中断治疗情况。排除标准为：①原发病变位于下咽部位以外。②患者病理类型为非鳞癌。③非保喉治疗的手术患者。④放疗期间延迟或中断治疗。⑤临床信息或图像等资料不完整。所有患者均依据美国癌症分期联合委员会(American Joint Committee on Cancer，AJCC)第8版分期系统进行分期^[10]。

2.放疗计划与临床随访：患者使用头颈肩热塑面罩以仰卧位固定后，在Sensation Open CT (Siemens Healthineers，德国西门子公司) 大孔径放疗定位系统上采集放疗计划CT图像，扫描参数：管电压120 kVp，管电流320 mA，重建厚度3 mm，矩阵512 × 512。基于美国瓦里安公司研发的Eclipse放疗计划系统，由放疗科医师完成靶区和危及器官(organ at risk，OAR)勾画，所有勾画结果再由高年资放疗科医师复审确认，参照美国国家综合癌症网络(National Comprehensive Cancer Network，NCCN)临床实践指南^[11]以及肿瘤放射治疗协作组(Radiation Therapy Oncology Group)勾画指南^[12] 进行标准化操作。

在完成结构勾画后，医学物理师采用调强放疗或容积旋转调强放疗治疗技术实现同步推量放疗计划设计，确保至少95%的计划肿瘤靶区体积(planning gross tumor volume，PGTV)和计划靶区体积(planning target volume，PTV)分别满足70和60 Gy/33分次的处方剂量，同时危及器官的辐射剂量满足RTOG 0615指南规定的限值，且在条件允许的情况下尽可能更低剂量以保护正常器官功能^[13]。考虑到照射摆位等误差，大体肿瘤体积(gross tumor volume，GTV)均匀外扩5 mm后得到计划肿瘤靶区PGTV。

随访时间为放疗完成后1个月开始，前2年每3个月一次，第3~5年每6个月一次，此后每年一次。患者肿瘤局部区域复发为本研究的观察终点。最后一次随访评估时，根据结果将患者复发分为局部复发和区域复发。局部复发定义为原发肿瘤部位的复发，区域复发为区域淋巴结出现的复发。

3.组学特征提取、筛选与降维：本研究使用PGTV作为感兴趣体积(volume of interest，VOI)，使用Python Pyradiomics工具包分别从计划CT图像和剂量分布图中提取影像组学和剂量组学特征，共计1 316个。影像组学和剂量组学特征类型分别包括：一级特征、形状学特征、体积特征、纹理特征、高斯-拉普拉斯特征、小波变换特征等，其中本研究使用BiorSplines(bior6.8)为主小波函数提取小波变换特征。

考虑到图像质量本身可能存在微小波动，同时排除勾画过程中的微小变化对影像组学特征造成的影响，本研究同时采用了两种稳定度分析方法来筛选鲁棒性较高的特征。一种是在原始计划CT图像上添加标准分布的3个级别高斯噪声，标准差分别为10、50和100 HU；另一种是将两个级别的随机感兴趣区边界扰动应用于VOI边界(即本研究中的PGTV勾画边界)，分别为0.5和1。通过分析添加噪声和边界扰动后的稳定性来筛选合适的组学特征。使用组内相关系数(intraclass correlation coefficient，ICC)评估特征在上述干扰条件下组学特征的稳定性。本研究采用了以下两种定义的ICC₁与ICC₂，其中ICC₁用于表示特征的单一评价信度，ICC₂用于表示特征在不同干扰下评价的一致性信度，计算见式(1)和(2)：

式中，MSR为特征的平均平方均差；MSW为特征向量的平均平方残差；k为评价者数量。文献[14] 显示，在图像噪声或者勾画边界扰动叠加后，如果每个维度的特征ICC₁ > 0.7，ICC₂> 0.95，则视为稳定可复现。由于剂量分布图像的相对稳定性，剂量组学稳定特征的评估和筛选仅采用了VOI边界扰动方法，具体流程同前。

对于筛选出的稳定性高的特征，通过Z-score进行特征标准化以消除不同特征之间数值范围的差异。由于高度冗杂的特征集会降低模型的效果，本研究进一步对影像组学特征和剂量组学特征分别进行了Spearman相关性分析，移除了相关系数绝对值>0.9的冗余特征，保留特征进行单因素Cox回归分析(P < 0.05)。采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator，LASSO)与逐步Cox回归方法筛选出与HPSCC局部复发风险显著相关的特征，再通过主成分分析(principal component analysis，PCA)降维，最终保留影像组学前两个主成份(radiomics principal components，RPCs)与剂量组学3个主成份(dosiomics principal components，DPCs)。

4.模型构建：根据特征筛选与降维结果，将RPCs与DPCs分别作为两个多变量Cox回归模型的自变量，构建影像组学模型与剂量组学模型。作为与传统方法的对比，本研究还利用常规临床变量参数构建了多变量Cox回归模型，以下称为临床模型。

将具有显著风险比(P < 0.05)的主成份与两个临床特征相结合，构建另外3个多因素综合Cox回归模型，分别命名为影像组学+临床模型、剂量组学+临床模型和影像组学+剂量组学+临床模型。分别使用100次5折交叉验证方法来计算模型的赤池信息量准则(akaike information criterion，AIC)和一致性指数(consistency index，C-index)，以评价模型拟合优度及判别能力。其中建立在熵概念基础上的AIC旨在平衡模型的拟合能力和整个模型的复杂度，见式(3)：

式中，k为模型待估计参数的数量；$\hat{L} $为最大似然函数。较低的AIC值表示模型据有更好的拟合能力和更低的复杂性。C-index则用于评估每个模型的判别性能，可衡量所有研究的成对数据中预测结果与实际结果一致的比例，见式(4)：

式中，(i, j)为一对事件；T_n为事件n的观测发生时间；η_n为事件n的风险；1_{Tj < Ti}1_ηj>ηi为当事件j的风险高于事件i时，事件j的观测发生时间早于事件i；δ_j表示事件j发生在T_j。C-index越接近1说明模型的预测效果越好。最后采用Kaplan-Meier生存分析和对数秩检验分别评价综合变量Cox回归模型的预测能力。

5.统计学处理：使用R(版本4.4.2)中的survival包与survminer包进行单因素、多因素Cox分析、逐步Cox分析、生存曲线的绘制、Cox风险比例模型的构建及C-index的计算，用Glmnet包执行LASSO分析。使用Python中的Sklearn包与Scipy包进行Spearman检验与主成分分析。所有统计检验均为双侧，P < 0.05为差异具有统计学意义。

1.患者基线特征与预后情况：共纳入76例HPSCC患者，中位随访时间为23.27个月(4.83~81.40个月)。在76例HPSCC患者中，70例为男性，6例为女性；59例年龄≥54岁，17例年龄 < 54岁；55例发生周围侵犯，21例未发生周围侵犯；根据AJCC第8版分期系统进行分期，3例处于Ⅱ期、5例Ⅲ期、46例Ⅳ_A期、22例Ⅳ_B期。患者的最佳年龄截断值通过X-tile软件确定^[15]。研究期间，共有20例患者发生局部区域进展。56例患者结局被删失，原因包括：①患者随访时未发生局部区域进展，并且末次随访时未出现突发事件。②患者未发生局部区域进展，因为其他原因死亡。

2.统计分析与模型评估：从每例患者的计划CT和剂量分布图中分别提取1 316个影像组学特征和剂量组学特征。其中395个影像组学特征和1 003个剂量组学特征通过了稳定性和可重复性实验(ICC₁ > 0.7，ICC₂> 0.95)。如图 1所示，通过对标准化特征数据的Spearman相关性分析，移除相关系数≥ 0.90的冗余特征后，保留113个影像组学特征与357个剂量组学特征。利用单因素Cox分析从初筛结果中进一步选出与临床结局显著相关(P < 0.05)的特征，最终获得35个影像组学特征与131个剂量组学特征。在此基础上，利用LASSO和Cox回归最终确定关键特征集。根据所有选择的主成份方差贡献比例之和> 80%的原则，采用PCA降维，最终提取两个RPCs与3个DPCs。基于主成份分别构建影像组学Cox模型与剂量组学Cox模型。

图 1 HPSCC患者的影像组学特征(A)与剂量组学特征(B)相关性热力图 Figure 1 Correlation heat maps of radiomic features (A) and dosiomic features (B) of HPSCC patients

影像组学模型、剂量组学模型和临床模型的每个因素的风险比(hazard ratio，HR)和P值由表 1可见，其中3个DPCs、1个RPC和一个临床因素在多变量Cox分析中差异具有统计学意义(P < 0.05)。在临床因素中，除年龄外，性别、肿瘤分期等其他临床因素对于患者预后的预测价值不显著(P>0.05)，可能是受限于少见病的样本量，综合考虑其他研究已证实的肿瘤分期对预后的预测价值^{[6, 16-17]}，本研究将年龄与肿瘤分期两个临床因素均纳入综合模型构建。

表 1(Table 1)

表 1 HPSCC患者的不同模型和临床因素的多变量Cox回归分析 Table 1 Multivariate Cox regression analysis of various models and clinical factors of HPSCC patients 模型 HR 95%CI P值 C-index 95%CI AIC 影像组学 0.781 0.699~0.868 96.44   RPC1 2.04 1.48~2.80 < 0.01   RPC2 0.78 0.50~1.24 0.30 剂量组学 0.777 0.690~0.870 92.27   DPC1 2.26 1.53~3.35 < 0.01   DPC2 0.52 0.28~0.97 0.03   DPC3 0.18 0.06~0.52 < 0.01 临床模型 0.625 0.555~0.715 157.58   性别 0.56 0.16~1.96 0.37   周围侵犯 1.26 0.43~3.65 0.67   年龄 0.31 0.12~0.87 0.03   总分期 1.06 0.35~3.16 0.91 注：HR. 风险比；C-index. 一致性指数；AIC. 赤池信息量准则；RPC. 影像组学主成分；DPC. 剂量组学主成分

表 1 HPSCC患者的不同模型和临床因素的多变量Cox回归分析 Table 1 Multivariate Cox regression analysis of various models and clinical factors of HPSCC patients

影像组学+临床模型、剂量组学+临床模型与影像组学+剂量组学+临床模型的Cox回归结果示于表 2。影像组学+剂量组学+临床模型的C-index值高于其他模型，而AIC值低于其他模型，说明多组学建模方法在HPSCC放疗后局部区域复发预测任务中具有更好的预测性能，同时模型复杂度较低。此外，根据模型参数的Cox回归分析结果，构建列线图预测患者的局部复发情况，根据列线图对患者的预测评分，使用对数秩检验，将患者分为高风险组与低风险组，并绘制生存曲线。3个Cox回归模型预测的高复发风险与低复发风险组的生存曲线示于图 2，P值均 < 0.05，表明模型能够准确划分出复发风险高的人群，具有良好的预测性能。

表 2(Table 2)

表 2 HPSCC患者的各组结合模型的多变量Cox回归分析 Table 2 Multivariate Cox regression analysis various integrated models of HPSCC patients 模型 HR 95%CI P值 C-index 95%CI AIC 影像+临床模型 0.811 0.732~0.886 88.04   RPC1 4.32 2.30~8.09 < 0.01   年龄 0.37 0.14~0.96 0.04   总分期 0.05 0.01~0.28 < 0.01 剂量+临床模型 0.761 0.633~0.852 93.40   DPC1 2.20 1.45~3.35 < 0.01   DPC2 0.50 0.26~0.97 0.04   DPC3 0.16 0.06~0.47 < 0.01   年龄 0.39 0.13~1.22 0.11   总分期 0.49 0.13~1.88 0.30 影像+剂量+临床模型 0.823 0.728~0.910 84.94   DPC1 1.32 0.78~2.24 0.30   DPC2 0.66 0.32~1.38 0.27   DPC3 0.20 0.06~0.65 < 0.01   RPC1 2.80 1.51~5.19 < 0.01   年龄 0.54 0.18~1.64 0.28   总分期 0.18 0.04~0.79 0.02 注：HPSCC.下咽鳞状细胞癌；HR. 风险比；C-index. 一致性指数；AIC. 赤池信息量准则；RPC. 影像组学主成分；DPC. 剂量组学主成分

表 2 HPSCC患者的各组结合模型的多变量Cox回归分析 Table 2 Multivariate Cox regression analysis various integrated models of HPSCC patients

图 2 HPSCC患者的综合Cox模型的生存曲线分析 A. 影像组学+临床模型；B. 剂量组学+临床模型；C. 影像组学+剂量组学+临床模型 Figure 2 Kaplan-Meier curves of the integrated Cox models of HPSCC patients A. Radiomic + clinical model; B. Dosiomic + clinical model; C. Radiomic + dosiomic +clinical model

HPSCC是一种发病率较低、但侵袭性较强且预后较差的恶性肿瘤。由于少见病的临床证据积累慢、个体化诊疗决策工具缺失，HPSCC患者的复发率持续居高不下、生存率难以提升。据文献报道，基于年龄、性别、肿瘤分期等临床经验的HPSCC风险预测模型准确性较低，难以满足个体化治疗需求^{[6, 17-18]}。近年来，以影像组学与放疗剂量组学模态为代表的新型数据挖掘技术，在多种肿瘤疾病的疗效预测中取得了良好效果，为推动HPSCC个体化诊疗的循证依据和决策工具开发提供了技术支撑^[19-22]。基于本院近10年积累的HPSCC患者临床数据和长期随访数据，本研究建立了多模态Cox回归预测模型，结果显示，影像组学特征构建的Cox回归模型和剂量组学特征构建的Cox模型的C-index，显著高于仅基于临床因素构建的Cox模型C-index。该结果与既往多种疾病的相关研究结果一致^{[6, 20, 22]}，提示相较于传统临床参数和主观经验，影像组学和剂量组学特征能够从多模态数据中有效挖掘高维度复杂信息，更精准地反映患者局部区域复发风险，对HPSCC放疗患者具有重要的预后指导价值。

本研究进一步发现，相比使用单一数据的模型，多模态联合模型具备更优异的预测性能。结合影像组学特征、剂量组学特征与关键临床变量的综合模型，不仅对放疗后具有不同局部区域复发风险的患者进行了准确分层，多模态Cox模型的C-index也高于单一影像组学模型和剂量组学模型的C-index，同时这一结果也优于文献[23] 报道的单独使用影像组学的HPSCC预后模型预测效果。此外，本研究建立的综合模型AIC值低于其他模型，提示其在保持良好拟合度的同时具备更优的复杂度控制能力。这些结果表明，多模态联合模型通过整合影像组学、剂量组学与临床因素的互补信息，能够精准刻画肿瘤生物学异质性、个体化治疗过程以及患者基本状态，三者互补协同，共同决定HPSCC患者放疗后的临床结局。

本研究结果对于临床个体化治疗决策具有潜在意义。基于多模态模型对HPSCC放疗后局部复发风险的精准评估，医生可据此调整后续治疗策略，提升患者生存获益。例如，对于模型提示的局部区域复发风险更高的患者，临床上可在多学科团队(multi-disciplinary team，MDT)评估指导下，适当放弃功能保留治疗方案，选择更具侵袭性的综合治疗手段，如全喉切除术，以期实现更优的局部控制。而对于模型提示低风险的患者，则可在保证疗效的前提下，尽可能保留喉咽功能，从而改善生活质量，实现精准治疗、功能保护的双重目标。

本研究虽然通过100次5折交叉验证降低了数据划分随机性带来的偏差，但由于HPSCC发病率较低导致的数据积累缓慢，暂无法通过独立外部验证集对模型的泛化能力进行验证，这也是既往类似研究的普遍局限^[24-26]。本研究仅使用76例下咽癌患者数据进行建模分析，受限于较少的样本数量，对模型结果的准确性有一定影响。未来通过多中心合作提高样本的数量和质量，是进一步提高模型可靠性的研究思路。

利益冲突  无

作者贡献声明  张楠负责数据分析与论文撰写；杨根、林晨、黎田提供指导；陆启坚、刘宏嘉负责设计研究思路，统计分析；赵丹负责临床数据整理与分析；张艺宝指导论文修改