2025年11月13日，湖南省肿瘤医院放射物理技术部主任、正高级物理师倪千喜在深圳核博会核技术融合创新论坛发表《机器学习与多组学特征在肿瘤精准放疗中的预测研究》主旨报告。
报告介绍了核技术在医学中的应用，并重点讨论人工智能如何赋能精准放射治疗。讲者围绕机器学习、放射组学和特征解释方法，展示了其在放疗质控、毒性预测以及卵巢癌疗效和预后预测中的应用，并指出未来需要更大样本、多因素融合和外部验证来提升临床证据等级。
关键点
1. 核技术在医学中的主要应用（00:30）
核技术在医学领域涉及诊断、核医学治疗和放射肿瘤学等方向。讲者强调自己从事放射治疗，因此报告重点放在利用各类射线进行肿瘤治疗及其相关技术发展。
2. 人工智能贯穿放疗流程（01:25）
人工智能可用于放疗相关的多个环节，包括辅助诊断、多模态影像转换、低分辨率影像生成高分辨率影像、靶区勾画、计划设计、剂量验证和疗效评估。讲者特别提到，人工智能可减少额外影像检查带来的患者负担和时间成本。
3. 机器学习、深度学习与放射组学的基础作用（04:10）
机器学习对样本量要求相对较低、可解释性较强，而深度学习通常需要更多样本但可解释性较弱。医学诊疗高度依赖影像，放射组学能够从影像中提取肉眼难以识别的纹理、灰度和形状等定量特征，用于疾病诊断、疗效预测和预后评估。
4. SHAP用于解释和筛选预测特征（06:35）
SHAP方法可评估每个特征对预测模型的正向或负向贡献，帮助选择合适的特征种类和数量，从而构建预测性能更好的模型。讲者认为这种方法不仅适用于医学场景，也可用于其他核技术相关预测任务。
5. 放疗质控中的剂量验证问题（07:40）
当前放疗主要使用X射线和调强放射治疗，计划剂量通常基于患者CT影像和剂量算法计算，但无法直接在患者体内放置探测器测量实际剂量。因此临床需通过模体测量和伽马通过率评价理论剂量与实际执行剂量的匹配程度。传统逐例测量工作量大，也可能造成治疗延迟和反复试错。
6. 用人工智能预测伽马通过率（10:52）
通过回顾性建模，可利用放射组学、剂量学、放疗计划复杂性、治疗部位、机器类型和射线能量等特征预测放疗计划执行时是否能达到伽马通过率标准。团队还按不同调强技术、不同肿瘤部位、单中心与多中心数据进行模型构建和外部验证，以提高模型的泛化能力。
7. 放疗毒性和损伤的提前预测（14:29）
放疗在治疗肿瘤的同时可能造成血液毒性、放射性皮炎和放射性肺炎等不良反应，严重时会影响治疗继续进行。团队使用CT影像、放射组学、剂量组学和生化指标等特征构建机器学习模型，用于预测严重血液毒性，并通过SHAP筛选重要特征和分析临床获益。
8. 卵巢癌疗效与预后预测模型（17:19）
针对卵巢癌患者，团队研究了基于机器学习的多组学融合模型，用于预测PARP抑制剂疗效和预后。模型纳入临床特征、基因突变、免疫组化和生化指标等信息，并分别分析初诊和复发患者，进一步扩展样本量后进行风险分层研究。
9. 未来方向是大样本、多因素和外部验证（22:00）
讲者总结指出，机器学习、SHAP方法和多组学特征已广泛用于肿瘤精准放疗预测研究，包括剂量准确性、放射性损伤毒性和疗效预测。未来需要结合更大样本、更多因素、独立外部验证，并建立特征与模型输出之间更明确的关系，为临床提供更高级别证据。
时间线
00:00 - 报告开场致谢，并说明将围绕核技术在医学尤其是放射治疗中的应用展开。
01:25 - 讲者从整体流程介绍人工智能在放疗中的应用场景，重点强调影像处理、计划设计、质控和疗效评估。
04:10 - 报告转入方法基础，介绍机器学习、深度学习、放射组学以及SHAP特征解释工具的作用。
07:40 - 进入具体应用案例，首先讲解放疗质控和剂量验证的临床需求，再介绍用预测模型减少重复测量和提前发现不合格计划。
14:29 - 随后讨论放疗相关毒性预测，包括血液毒性、皮肤反应和放射性肺炎等，并说明提前分层干预的意义。
17:19 - 报告进一步扩展到疗效和预后评估，以卵巢癌及PARP抑制剂治疗为例，介绍多组学融合预测和风险分层研究。
22:00 - 最后总结人工智能在精准放疗预测研究中的价值，并提出未来向大样本、多因素融合和更强临床验证发展的方向。
AI 延伸阅读(下文由AI生成，其内容可能存在偏差，请注意甄别)：
AI与多组学技术助力肿瘤精准放疗从经验治疗走向预测干预
湖南省肿瘤医院放射物理技术部主任、正高级物理师倪千喜围绕“机器学习与多组学特征在肿瘤精准放疗中的预测研究”作报告，系统介绍了人工智能在肿瘤放疗全流程中的应用价值。核技术在医学领域已广泛应用于影像诊断、核医学与核素治疗、放射肿瘤学等方向，其中放射肿瘤学通过电子线、X射线、重离子、硼中子俘获等射线治疗肿瘤，是现代肿瘤综合治疗的重要组成部分。随着人工智能技术发展，放疗正从传统依赖人工经验和事后评估的模式，逐步转向基于数据驱动的精准预测、主动干预和个体化决策。
在放疗流程中，人工智能可参与辅助诊断、多模态影像转换、影像分辨率提升、靶区和危及器官勾画、放疗计划设计、剂量验证、疗效评估和风险分层等多个环节。例如，AI可将CT等影像输入智能诊断系统，快速判断阴性或阳性，提高筛查和辅助诊断效率；也可在CT、磁共振、PET-CT等不同模态影像之间进行合成与转换，减少患者重复检查负担，并通过平扫影像生成增强影像或由CT生成磁共振影像，提升诊疗信息完整性。在放疗实施前，AI还能帮助医生完成靶区及正常组织勾画，减少人工耗时，提高不同医生之间勾画结果的一致性，并进一步用于治疗计划优化、剂量分布预测和质量控制。
报告重点介绍了机器学习、深度学习、放射组学和SHAP解释方法在精准放疗研究中的作用。机器学习对样本量要求相对较低，模型可解释性较强，适合构建临床预测模型，常见方法包括决策树、支持向量机、神经网络等；深度学习在影像转换、图像增强和复杂特征提取方面更具优势，但通常需要更大样本量，且模型解释性相对较弱。放射组学能够从医学影像中提取肉眼难以识别的灰度、纹理、形状等定量特征，用于疾病诊断、疗效预测、预后评估以及肿瘤组织与正常组织差异分析。SHAP方法则可评估每个特征对模型预测结果的正向或负向贡献，有助于筛选关键特征、确定最佳特征数量，并提升模型在临床应用中的可信度。
在放疗质量控制预测研究方面，倪千喜指出，当前放疗主要依托直线加速器实施X射线调强放射治疗，治疗计划通常基于患者CT影像和剂量计算算法生成，但患者体内实际接受剂量无法直接测量。因此，临床需要判断实际执行剂量与计划理论剂量是否一致，常用伽马通过率评价剂量误差是否处于可接受范围内。然而，传统质量控制要求每位患者首次治疗前使用仿真模体进行测量，工作量大、耗时长，尤其在大型肿瘤中心，逐例测量会增加患者等待时间，且测量前难以预知计划是否通过，容易导致反复调整和试错。
针对这一问题，团队构建了基于既往患者CT影像、剂量学特征、放疗计划复杂性参数、疾病部位、设备类型和射线能量等数据的机器学习预测模型，用于提前判断放疗计划在加速器执行时伽马通过率是否达标。如果模型预测计划可能不通过，医生和物理师即可提前优化治疗计划，减少无效测量和治疗延误。相关研究覆盖单中心单部位、单中心多部位和多中心数据，并纳入固定照射、旋转照射等不同调强放疗技术，通过外部独立数据验证模型泛化能力。结果显示，当模型AUC达到约0.8以上时，已具备较好的预测性能，多中心验证也表明模型在新医院数据中仍能保持较好表现，推动放疗质控从事后检测向提前预测和主动干预转变。
在放射损伤与毒性预测方面，报告强调，放疗必须遵循实践正当性原则，即在追求肿瘤控制获益的同时，尽可能降低正常组织损伤风险。放疗可能引发血液毒性、皮肤反应、放射性肺炎等不良反应，不同患者即使接受相似治疗方案，反应也可能显著不同。放化疗导致白细胞、血小板降低时，严重者可能出现免疫力下降甚至被迫中断治疗；乳腺癌等患者可能发生放射性皮炎、红肿或溃烂；肺癌等胸部放疗患者则可能出现放射性肺炎，影响治疗连续性和疗效。因此，提前识别高风险患者，对于个体化干预和治疗策略调整具有重要意义。
团队在相关研究中结合CT影像、放射组学特征、剂量组学特征和生化指标建立机器学习模型，并利用SHAP进行特征筛选和模型解释，分析不同因素对毒性风险的贡献。研究发现，当关键特征数量约为15个时，模型性能较优；决策曲线分析显示，这类模型不仅在统计学指标上具有预测价值，也可能为真实临床决策带来获益。SHAP解释结果能够进一步区分特征对风险预测的正向或负向影响，使医生不仅知道患者是否属于高风险人群，也能理解模型作出判断的主要依据。
报告还介绍了机器学习与多组学特征在卵巢癌疗效和预后预测中的应用。卵巢癌五年生存率相对较低，许多患者确诊时已处于晚期。PARP抑制剂为卵巢癌治疗提供了重要选择，但不同患者从中获益程度差异明显。团队从既往治疗患者中提取临床、基因、免疫组化和生化等多组学特征，尝试提前预测哪些患者可能从PARP抑制剂治疗中获益，并分别针对初诊患者和复发患者建立疗效预测及预后风险分层模型。
在多组学特征构建中，临床特征包括年龄、身高、体重、怀孕史、流产史、肿瘤分型等；基因特征包括BRCA、HRD等与药物敏感性密切相关的突变信息；免疫组化特征包括P53、Ki-67等指标；生化特征则包括空腹血糖、CA199、CA125、肌酐、总胆汁酸等。研究显示，在初诊患者和复发患者中，不同特征的预测价值可能存在差异，例如总胆汁酸等指标可能与复发风险相关，部分免疫组化和生化指标在复发患者预测中具有更高价值。通过融合临床、基因、免疫组化和生化特征，综合模型有望进一步提高疗效预测和风险分层准确性，为卵巢癌患者个体化治疗提供参考。
倪千喜表示，机器学习、SHAP解释方法和多组学特征已经在肿瘤精准放疗预测研究中展现出广阔应用前景，应用场景涵盖剂量准确性预测、放疗质量控制、放射性损伤预测、治疗疗效评估和预后判断等多个方面。未来研究仍需扩大样本量，纳入更多影响因素，构建泛化能力更强的模型；同时加强多中心研究和外部独立验证，提高模型在不同医院、不同设备和不同患者群体中的适用性。随着模型解释性不断增强、临床证据级别不断提高，人工智能有望进一步融入肿瘤诊疗流程，为精准放疗提供更可靠的决策支持。
