AI工具增强脑转移瘤立体定向放射外科治疗决策

一种由人工智能驱动的工具通过预测局部失败风险、优化辐射剂量和个性化MRI随访，增强了小脑转移瘤的立体定向放射外科（SRS）治疗效果。这种新的机器学习工具正在改变小脑转移瘤SRS治疗的决策过程。该工具旨在评估诸如辐射剂量、患者特征和治疗相关因素等，以确定治疗后6个月、1年和2年内局部失败的可能性。

脑转移瘤，尤其是直径小于2厘米的肿瘤，在SRS治疗后实现最佳局部控制方面存在挑战。传统的治疗剂量通常为20 Gy、22 Gy或24 Gy，依赖于一般指南，但未能考虑复杂的患者特异性因素。通过将AI整合到决策过程中，这种机器学习模型使临床医生能够基于处方剂量、年龄、Karnofsky表现评分（KPS）和SRS治疗过程等因素，评估治疗后6个月、1年和2年内局部失败的概率。

“我们希望评估所有患者特征和其他治疗相关因素，确定每个剂量水平下的局部失败风险，即治疗后6个月、1年和2年的风险。”迈阿密癌症研究所放射外科主任兼中枢神经系统转移瘤科主任Rupesh Kotecha博士表示，“这需要从统计学角度评估大量数据，以评估局部失败的风险。”

根据2024年美国放射肿瘤学会（ASTRO）会议上提交的摘要，这项研究分析了2017年至2022年间迈阿密癌症研究所治疗的235名患者的大量数据集，其中包括358个SRS疗程中的1,503个脑转移病例。进行了严格的倾向评分匹配分析以调整混杂变量。

研究队列的中位年龄为65岁（四分位距[IQR]为55-73），其中61%为女性。中位KPS为90（IQR为80-90），每个SRS疗程治疗的病灶中位数为4个（IQR为2-7）。此外，最常见的原发肿瘤是肺癌（58.5%），其次是乳腺癌（24.6%）。处方剂量分布为20 Gy用于297个病灶（20%），22 Gy用于442个病灶（29%），24 Gy用于764个病灶（51%）。

“我们使用机器学习算法帮助我们确定与局部失败相关的因素，以及如何预测患者在接受放射外科治疗后的局部失败风险。”Kotecha博士补充道。

在中位随访时间为12个月（IQR为4-23）的情况下，47名患者中有138个病灶（9.2%）出现局部失败。通过倾向评分匹配，纳入了来自123名患者的276个病灶进行广义估计方程模型分析。该机器学习模型表现出良好的准确性，1年模型的准确率为88%，特异性为91%，曲线下面积为0.8。

AI工具的应用不仅限于剂量优化，还扩展到了患者的随访护理中。基于个体化的失败风险，临床医生可以调整随访MRI扫描的频率，减少低风险患者的影像检查，同时加强对高风险患者的监测。

“在这项研究中，我们开发了一个初步的机器学习模型，可以根据剂量预测局部失败。这在临床上有两方面的直接应用价值。”Kotecha博士表示。

未来，Kotecha博士解释说，随着来自更多机构的更大、更多样化的数据集的加入，该模型的预测能力可能会进一步扩大。

“迈阿密癌症研究所的患者群体非常多样化，这对生成内部有效性模型很有帮助，我认为对外部有效性也有帮助。但是，当我们增加其他机构的患者群体或数据集时，它将帮助我们识别该模型在应用于不同机构时是否存在局限性。”

(全文结束)