脑转移是癌症的一种严重表现，与不良的临床预后直接相关。尽管临床最近在放射肿瘤学、神经外科和系统疗法方面取得了进展，但为个性化脑转移患者确定有效的治疗方法仍然是一个挑战。

全脑放疗（WBRT）对全脑进行照射，主要适用于不适合手术或放射外科的脑转移患者。WBRT的优点是减少复发率和新的脑部病变的出现。此外，根据临床试验，有良好治疗反应的脑转移患者，如部分反应（PR）或完全反应（CR），通常有较高的总生存率（OS）。

然而，WBRT的客观反应率（ORR）并不高，近一半的患者不能从WBRT中获益。同时，WBRT的潜在益处必须与辐射相关的副作用相平衡。因此，在WBRT前精确评估治疗反应是非常重要的。

目前，原发肿瘤类型和疾病特异性分级预后评估（DS-GPAs）是脑转移患者的客观预后评分系统，通常用于协助放射肿瘤学家确定适当的WBRT策略，而很少用于直接评估WBRT治疗反应。现阶段，放射组学作为一项新兴的技术，通过使用大量的定量图像特征来描述肿瘤的异质性，可以为临床决策提供对癌症病理生理学的更好理解。一些研究报道了成功利用放射组学评估伽玛刀放射外科或立体定向放射外科（SRS）疗法对脑转移患者的治疗反应。然而，放射组学方法对WBRT治疗反应的鉴别效果仍不明确。

事实上，许多放射组学模型已经被开发出来并在有限的数据集或应用中取得了良好的效果。然而，由于内部机制不明确，可解释性在很大程度上阻碍了放射组学模型的普遍应用。SHAP是一个用于解释预测的六种不同方法的统一框架，定义了一类加性特征重要性测量和理论结果，和放射组学的结合可以以一种可解释的方式说明模型。

近日，发表在European Radiology杂志的一项研究构建了一项放射组学-临床机器学习模型来评估WBRT的治疗反应，并通过外部验证验证了模型的实用性和可重复性，为临床准确、有效的评估WBRT的治疗反应提供了技术支持。

本项研究回顾性地招募了来自两个医疗中心的228名脑转移患者（训练队列184人，验证队列44人）。根据神经肿瘤学脑转移反应评估（RANO-BM）标准，将患者的治疗反应分为无反应组和有反应组。对于每个肿瘤，从MRI序列中提取了960个特征。最小绝对收缩和选择算子（LASSO）被用于特征选择。采用支持向量机（SVM）模型，结合临床因素和放射学特征构建放射学-临床模型。SHAP方法通过对特征的重要性进行优先排序来解释SVM模型的评估价值。 

共确定了三个放射学特征和三个临床因素来建立模型。在训练队列和验证队列中，放射学-临床模型产生的AUCs分别为0.928（95%CI 0.901-0.949）和0.851（95%CI 0.816-0.886），用于评估治疗反应。SHAP总结图显示了特征值对模型的影响，SHAP力图显示了特征对个体反应影响的整合。 

 
图 训练组（A）和验证组（B）评估WBRT治疗反应的ROC曲线比较

本研究所提出的包含CET1-w（3D）MR序列特征的放射学-临床机器学习模型可以用于评估WBRT的治疗反应，其中使用的SHAP方法可以协助临床医生指导脑转移患者个性化的WBRT策略。

原文出处：

Yixin Wang,Jinwei Lang,Joey Zhaoyu Zuo,et al.The radiomic-clinical model using the SHAP method for assessing the treatment response of whole-brain radiotherapy: a multicentric study.DOI:10.1007/s00330-022-08887-0