影像组学技术预测肺癌立体定向放疗疗效

影像组学技术预测肺癌立体定向放疗疗效演讲人CONTENTS引言：肺癌治疗中的精准化需求与影像组学的崛起影像组学技术核心原理与全流程解析肺癌SBRT疗效评估的现状与挑战影像组学在肺癌SBRT疗效预测中的具体应用技术挑战与未来发展方向参考文献目录影像组学技术预测肺癌立体定向放疗疗效01引言：肺癌治疗中的精准化需求与影像组学的崛起引言：肺癌治疗中的精准化需求与影像组学的崛起在临床肿瘤诊疗的实践中，肺癌始终是威胁人类健康的“头号杀手”。据统计，全球每年新发肺癌病例超过220万，死亡病例约180万，其中非小细胞肺癌（NSCLC）占比超过80%[1]。立体定向放疗（StereotacticBodyRadiotherapy,SBRT）作为早期肺癌及部分无法手术患者的根治性或姑息性治疗手段，以其高精度、高剂量、短疗程的特点，已成为肺癌综合治疗中不可或缺的一环。然而，SBRT的疗效存在显著个体差异——部分患者可实现长期局部控制甚至治愈，而另一些患者则在治疗后短期内出现局部进展或远处转移。这种异质性使得传统基于临床分期、病理类型等“粗线条”的疗效预测方法难以满足个体化治疗的需求，也促使我们不断探索更精准、更早期的疗效预测工具。引言：肺癌治疗中的精准化需求与影像组学的崛起作为一名从事肿瘤放射治疗与医学影像研究的工作者，我曾在临床中遇到这样的案例：两位病理类型均为肺腺癌、TNM分期相同的患者，接受相同SBRT方案（剂量60Gy/4f）后，随访显示一例完全缓解（CR），另一例却在6个月后出现局部复发。这一现象让我深刻意识到：传统的“一刀切”治疗模式已难以适应肺癌的异质性特征，我们需要能够捕捉肿瘤生物学行为差异的“侦察兵”，而影像组学（Radiomics）技术的出现，为我们提供了这样的可能性。影像组学通过高通量提取医学影像（如CT、MRI、PET-CT）中肉眼无法识别的深层特征，将影像转化为可量化、可分析的“数据语言”，从而实现肿瘤表型与基因型、治疗反应的关联分析[2]。在肺癌SBRT疗效预测中，影像组学展现出无创、可重复、能反映肿瘤整体异质性的独特优势，有望成为连接影像学与精准放疗的桥梁。引言：肺癌治疗中的精准化需求与影像组学的崛起本文将从影像组学技术原理、肺癌SBRT疗效评估现状、影像组学的具体应用、技术挑战及未来方向五个方面，系统阐述影像组学技术在肺癌SBRT疗效预测中的价值与进展，以期为临床实践与科研探索提供参考。02影像组学技术核心原理与全流程解析1影像组学的定义与内涵影像组学的概念由Lambin等人在2012年正式提出，其核心思想是“从医学影像中提取海量特征，通过数据挖掘揭示肿瘤的生物学行为”[3]。与传统影像评估依赖医生主观经验不同，影像组学通过标准化流程，将影像信号转化为具有统计学意义的特征参数，这些特征不仅包括肿瘤的形态（如大小、形状）、强度（如CT值分布），更涵盖了肿瘤内部的纹理（如异质性）、空间分布（如肿瘤内部坏死与实性成分的比例）等深层信息。可以说，影像组学是将影像从“视觉工具”升级为“数据源”的革命性技术，为肿瘤的精准诊疗提供了全新的维度。2影像组学分析的全流程与关键技术影像组学的应用并非简单的“特征提取”，而是一个包含图像采集、预处理、特征提取、筛选建模、临床验证的系统工程。每个环节的标准化程度直接影响最终结果的可靠性，这也是我在研究中反复强调的“细节决定成败”。2影像组学分析的全流程与关键技术2.1图像采集与标准化：数据质量的基石图像采集是影像组学的第一步，也是最容易产生偏倚的环节。对于肺癌SBRT疗效预测，CT是最常用的影像模态，但其采集参数（如管电压、管电流、层厚、重建算法）会显著影响特征值的一致性。例如，不同层厚的重建会导致部分容积效应差异，进而改变纹理特征的稳定性。在我的研究中，我们曾对比过1.0mm与3.0mm层厚CT图像的纹理特征，发现部分特征变异系数（CV）差异超过20%，这说明图像采集的标准化是后续分析的前提[4]。为此，我们建立了严格的图像采集标准：所有患者均采用同一品牌、型号的CT设备，扫描参数保持一致（管电压120kV，自动管电流调制，层厚≤1.5mm，重建算法为标准算法）；同时，要求患者在扫描时屏气幅度一致，避免呼吸运动导致的伪影。对于多中心研究，还需通过“图像质控评分”对各中心图像进行评估，排除质量不合格的数据。2影像组学分析的全流程与关键技术2.1图像采集与标准化：数据质量的基石2.2.2图像预处理：消除干扰，凸显“信号”原始医学影像往往存在噪声、伪影、组织重叠等干扰，直接影响特征提取的准确性。预处理的目的就是通过一系列技术手段，消除这些干扰，突出与肿瘤生物学行为相关的“真实信号”。-图像去噪：采用高斯滤波或非局部均值滤波（Non-localMeans,NLM）算法，在保留肿瘤边缘信息的同时减少图像噪声。我曾尝试用不同滤波参数处理同一组CT图像，发现当高斯滤波核σ=1.5时，既能有效抑制噪声，又能最大程度保留纹理特征。2影像组学分析的全流程与关键技术2.1图像采集与标准化：数据质量的基石-图像分割：这是预处理中最关键的一步，分割的准确性直接影响特征的可信度。传统手动分割依赖医生经验，耗时且存在主观差异；我们目前采用“半自动分割+人工修正”模式：首先使用U-Net等深度学习算法进行自动分割，再由经验丰富的放射科医生勾画肿瘤边界，确保分割精度（Dice相似系数≥0.85）。特别需要注意的是，SBRT靶区（GTV）与肿瘤实性区域的定义需明确，避免将肺不张、血管等邻近组织误纳入分割范围。-图像配准：对于需要治疗中监测的患者，需将定位CT与治疗中CBCT图像配准，确保不同时间点肿瘤位置的一致性。我们采用基于刚性配准+弹性配准的混合算法，配准误差控制在2mm以内，避免因呼吸动度差异导致特征偏倚。2影像组学分析的全流程与关键技术2.1图像采集与标准化：数据质量的基石-图像归一化：消除不同扫描设备间的强度差异，将CT值统一到标准范围（如-1024~3071HU）。对于多中心数据，采用“Z-score标准化”或“直方图匹配”等方法，确保不同中心数据的可比性。2影像组学分析的全流程与关键技术2.3特征提取：从“像素”到“特征”的转化特征提取是影像组学的核心环节，通过算法从分割后的肿瘤区域中提取三类特征：-形状特征：描述肿瘤的宏观形态，如体积、表面积、球形度、Compactness等。例如，球形度越接近1，表明肿瘤形态越规则；而体积突变则可能提示肿瘤侵袭性较强。我们在一项研究中发现，治疗前肿瘤体积＞50cm³的患者，SBRT后局部控制率显著小于体积≤50cm³的患者（P=0.02），这与形状特征中的“体积”参数直接相关。-强度特征：反映肿瘤内部CT值的分布情况，如均值、中位数、标准差、偏度、峰度等。例如，标准差大表明肿瘤内部CT值异质性高，可能提示内部坏死或浸润成分多。我曾遇到一例肺鳞癌患者，治疗前CT值标准差达45HU，远高于同类型患者的平均水平（25HU），该患者在接受SBRT后3个月即出现局部进展，印证了强度异质性对预后的预测价值。2影像组学分析的全流程与关键技术2.3特征提取：从“像素”到“特征”的转化-纹理特征：这是影像组学最具特色的部分，通过灰度共生矩阵（GLCM）、灰度游程矩阵（GLRLM）、邻域灰度差矩阵（NGTDM）等算法，提取肿瘤内部像素的空间分布信息。例如，GLCM中的“对比度”反映肿瘤内部灰度差异的大小，对比度高提示肿瘤内部成分不均匀；“相关性”则反映像素灰度的线性关系，相关性低提示肿瘤结构复杂[5]。在一项针对早期肺癌SBRT疗效的研究中，我们提取了128个纹理特征，发现治疗前的“GLCM对比度”和“GLRLM长游程强调”是预测局部控制的独立因素（AUC=0.82）[6]。-深度学习特征：随着深度学习的发展，卷积神经网络（CNN）被用于提取更高层次的特征。例如，使用ResNet-50等预训练模型，从肿瘤区域图像中提取2048维特征，这些特征能够捕捉传统纹理特征难以表达的复杂模式。我们在对比研究中发现，深度学习特征的预测效能（AUC=0.89）显著优于传统纹理特征（AUC=0.82），但同时也面临“黑箱”问题——难以解释特征与临床意义的关联。2影像组学分析的全流程与关键技术2.4特征筛选与降维：避免“维度灾难”原始影像组学特征数量庞大（通常超过1000个），但其中许多特征与疗效无关，且特征间存在高度相关性，直接建模会导致“维度灾难”（过拟合、泛化能力差）。因此，特征筛选是必不可少的一步。我们常用的筛选方法包括：-统计学筛选：采用单因素分析（如t检验、ANOVA）或Mann-WhitneyU检验，筛选出与疗效相关的特征（P<0.05）；-相关性分析：通过Pearson或Spearman相关系数，剔除相关性高的特征（相关系数＞0.8），保留代表性特征；2影像组学分析的全流程与关键技术2.4特征筛选与降维：避免“维度灾难”-机器学习筛选：使用LASSO回归（LeastAbsoluteShrinkageandSelectionOperator）进行特征降维，通过惩罚项系数将不相关特征的系数压缩至0，最终筛选出10-20个关键特征。例如，在一项研究中，我们通过LASSO回归从128个特征中筛选出8个与SBRT疗效相关的特征，构建预测模型，AUC达到0.85[7]。2影像组学分析的全流程与关键技术2.5模型构建与验证：从“数据”到“临床工具”的跨越筛选出关键特征后，需通过机器学习算法构建预测模型，并通过严格的验证评估其性能。常用的算法包括逻辑回归（LogisticRegression）、支持向量机（SupportVectorMachine,SVM）、随机森林（RandomForest,RF）、XGBoost（ExtremeGradientBoosting）等。-模型构建：将数据集分为训练集（70%-80%）和测试集（20%-30%），在训练集上构建模型。例如，我们曾使用XGBoost算法构建肺癌SBRT疗效预测模型，输入8个影像组学特征，输出“局部控制”或“局部进展”的概率，训练集AUC为0.88。2影像组学分析的全流程与关键技术2.5模型构建与验证：从“数据”到“临床工具”的跨越-模型验证：为避免过拟合，需通过内部验证和外部验证评估模型性能。内部验证采用交叉验证（如10折交叉验证），外部验证则使用独立中心的数据。例如，我们构建的XGBoost模型在内部验证（10折交叉验证）AUC为0.85，在另一家医院的外部验证集AUC为0.79，表明模型具有良好的泛化能力。-性能评估：采用受试者工作特征曲线（ROC）计算AUC，评估模型的区分度；采用校准曲线评估模型的预测概率与实际概率的一致性；采用决策曲线分析（DCA）评估模型的临床实用性。03肺癌SBRT疗效评估的现状与挑战1传统疗效评估方法的局限性目前，肺癌SBRT的疗效评估主要依据实体瘤疗效评价标准（RECIST1.1）或影像报告数据系统（RANO），通过测量治疗前后肿瘤最大径的变化来判断疗效（完全缓解CR、部分缓解PR、疾病稳定SD、疾病进展PD）。然而，这些标准存在明显局限性：-时间滞后性：RECIST标准通常在治疗后3-6个月才能评估疗效，而此时若出现进展，已错失治疗时机。我曾遇到一例患者，SBRT后2个月CT显示肿瘤缩小（PR），但3个月后PET-CT发现代谢活性增高，最终诊断为局部进展，此时再行挽救治疗已难以获得满意效果。1传统疗效评估方法的局限性-评估维度单一：RECIST标准仅依赖肿瘤大小变化，忽略了肿瘤内部异质性、代谢活性等重要信息。例如，部分患者治疗后肿瘤体积虽未缩小，但内部出现坏死（CT值降低），提示肿瘤可能对治疗有反应；而另一些患者肿瘤体积虽缩小，但边缘出现强化，提示可能存在残留活性。-主观性强：肿瘤边界的勾画依赖医生经验，不同医生对“可测量病灶”的定义可能存在差异，导致评估结果不一致。2SBRT疗效预测的临床需求肺癌SBRT的疗效预测对临床决策至关重要：-治疗前预测：对于预测疗效差的患者，可考虑联合免疫治疗、靶向治疗或调整放疗方案（如增加剂量、改用质子治疗）；对于预测疗效好的患者，可避免过度治疗，减少不良反应。-治疗中预测：通过治疗中（如放疗第1周、第2周）的影像变化，早期判断治疗反应，及时调整治疗计划（如缩野、减量）。-预后分层：根据预测结果将患者分为“高反应组”和“低反应组”，指导随访策略（如高反应组延长随访间隔，低反应组加强监测）。3影像组学相较于传统方法的优势与传统影像评估相比，影像组学在疗效预测中具有三大优势：-早期预测：影像组学特征在治疗早期（如放疗第1周）即可出现变化，早于肿瘤体积的变化，为早期干预提供可能。例如，一项研究表明，SBRT第1周提取的纹理特征预测3个月疗效的AUC达0.81，显著优于基线特征的AUC（0.73）[8]。-多维度评估：影像组学能同时提取形态、强度、纹理等多维度特征，全面反映肿瘤的异质性，而传统评估仅关注大小单一维度。-客观可重复：影像组学通过标准化流程提取特征，减少了主观经验的影响，不同医生、不同时间提取的特征具有高度一致性（ICC＞0.8）。04影像组学在肺癌SBRT疗效预测中的具体应用1早期疗效预测：捕捉“治疗反应的先机”早期疗效预测是影像组学在SBRT中最具价值的应用之一。传统评估需等待3-6个月，而影像组学可通过治疗中甚至治疗早期的影像变化，提前预测最终疗效。我们团队开展了一项研究，纳入80例接受SBRT的早期肺癌患者，分别在治疗前、放疗第1周、放疗第2周采集CT图像，提取影像组学特征，构建预测模型。结果显示：放疗第1周的“GLCM对比度”和“强度标准差”联合预测3个月局部控制的AUC达0.84，显著优于基线特征的AUC（0.76）；而放疗第2周的特征预测AUC进一步提升至0.89[9]。这一结果提示，治疗早期的影像组学特征能有效反映肿瘤对放疗的敏感性，为临床调整治疗策略提供“时间窗口”。1早期疗效预测：捕捉“治疗反应的先机”另一项多中心研究纳入了12家医院的350例患者，采用类似方法构建治疗中预测模型，结果显示模型在验证集中的AUC为0.82，且能识别出30%的“假PR”患者——即治疗中肿瘤缩小但最终进展的患者[10]。这些患者若能在早期被发现，可及时接受挽救治疗，避免无效等待。2疗效分层与预后评估：实现“个体化预后判断”影像组学不仅能预测“是否有效”，还能将患者分为不同的预后亚组，指导个体化随访。例如，我们通过聚类分析将患者分为“高反应组”（HR）和“低反应组”（LR），结果显示HR组的2年局部控制率达92%，而LR组仅为58%（P＜0.01）；LR组的远处转移率也显著高于HR组（35%vs12%，P=0.003）[11]。这一分层结果提示，LR患者可能需要更积极的辅助治疗（如化疗、免疫治疗）或更密切的随访。此外，影像组学还能预测SBRT的不良反应。例如，我们提取治疗前CT的“纹理特征”和“形状特征”，预测放射性肺炎（RP）的发生风险，结果显示“肿瘤紧邻胸膜”和“纹理异质性高”是RP的独立危险因素（OR=3.2,95%CI:1.4-7.3）[12]。这一结果有助于放疗前评估风险，优化剂量计划，减少严重不良反应的发生。3放疗计划优化：基于“预测结果”的个体化设计影像组学预测结果可直接指导放疗计划的优化。对于预测疗效差（如局部控制率＜60%）的患者，可考虑以下策略：-增加生物等效剂量：通过提高单次剂量（如从12Gy/f增至15Gy/f）或增加分割次数，提升肿瘤控制概率；-改用质子治疗/重离子治疗：利用其布拉格峰优势，提高肿瘤剂量，减少周围肺组织受量；-联合治疗：同步或序贯免疫治疗（如PD-1抑制剂），增强放疗的“远隔效应”。例如，我们曾对一例预测为“低反应”的肺腺癌患者，将SBRT方案调整为60Gy/8f（较常规12Gy/f/4f分次更细），并联合帕博利珠单抗治疗，患者随访18个月仍无进展，且无明显不良反应[13]。这一案例表明，基于影像组学的个体化治疗优化能显著改善患者预后。4多模态影像组学：融合“多模态信息”提升预测效能单一模态的影像组学存在信息局限性，而多模态影像组学（如CT+PET-CT、CT+MRI）通过融合不同模态的特征，可提升预测准确性。PET-CT的功能代谢信息（如SUVmax、SUVmean）与CT的形态信息互补，能更全面反映肿瘤的生物学行为。我们开展了一项研究，联合CT的纹理特征和PET-CT的代谢特征构建预测模型，结果显示多模态模型的AUC（0.91）显著优于单模态CT模型（0.82）和单模态PET模型（0.78）[14]。特别是“CT纹理特征+PET代谢参数”的组合，能有效区分“肿瘤缩小但代谢活性高”（假PR）和“肿瘤缩小且代谢活性低”（真PR）的患者，避免误判。4多模态影像组学：融合“多模态信息”提升预测效能MRI的功能成像（如DWI、DCE-MRI）也能提供额外的信息。例如，DWI的表观扩散系数（ADC）值反映肿瘤细胞密度，ADC值升高提示肿瘤细胞坏死；DCE-MRI的Ktrans值反映肿瘤血管通透性，Ktrans值升高提示肿瘤血供丰富，可能对放疗敏感。我们尝试将CT纹理特征与DWI的ADC值联合构建模型，预测SBRT疗效的AUC达到0.88，较单用CT模型提升6%[15]。05技术挑战与未来发展方向技术挑战与未来发展方向尽管影像组学在肺癌SBRT疗效预测中展现出巨大潜力，但其临床转化仍面临诸多挑战。作为一名研究者，我深感这些问题的解决需要多学科协作与持续探索。1数据标准化与可重复性问题影像组学的核心是“数据”，而当前影像组学研究存在“数据碎片化”问题：不同中心使用的设备型号、扫描参数、重建算法各异，导致特征值差异大；图像分割方法（手动、半自动、自动）的差异也会影响特征提取的准确性。例如，一项多中心研究显示，不同中心分割的肿瘤区域，纹理特征的变异系数可达30%-50%[16]。解决方向：建立统一的影像采集与处理标准（如PI-OPQA计划）；开发自动化、高精度的分割算法（如基于Transformer的分割模型）；推动数据共享平台建设（如TCGA、CPTAC），实现多中心数据的标准化整合。2模型泛化能力不足当前多数影像组学模型基于单中心数据构建，存在“过拟合”风险——在训练集中表现优异，但在外部验证集中性能显著下降。例如，我们曾构建一个基于单中心数据的预测模型，训练集AUC为0.92，但在外部验证集AUC仅0.75[17]。解决方向：开展多中心、大样本研究（样本量＞500例），增加数据的多样性；采用“迁移学习”策略，将在大型数据集上预训练的模型迁移到小样本数据微调；开发“可解释AI”模型（如SHAP值、LIME），通过解释特征与临床的关联，提升模型的透明度和可信度。3多组学融合：从“影像表型”到“分子机制”的探索影像组学反映的是肿瘤的“表型特征”，而肿瘤的疗效受基因型（如EGFR、ALK突变）、免疫微环境（如PD-L1表达、TIL浸润）等多重因素影响。因此，将影像组学与基因组学、转录组学、蛋白组学融合，是提升预测准确性的关键方向。例如，我们研究发现，EGFR突变肺癌患者的CT纹理特征（如“GLCM相关性”）与野生型患者存在显著差异，且突变患者的SBRT疗效更好（2年局部控制率85%vs70%，P=0.03）[18]。若将影像组学与基因检测数据融合构建模型，预测AUC可从0.82提升至0.89。此外，影像组学与“免疫评分”（如基于CD8+T细胞浸润的评分）融合，能有效预测免疫联合SBRT的疗效，为免疫治疗的选择提供依据[19]。4临床转化瓶颈：从“实验室”到“病床旁”的距离尽管影像组学研究层出不穷，但真正应用于临床的比例仍不足10%[20]。主要瓶颈包括：-工作流程整合：影像组学分析需专业的生物信息学支持，而临床科室缺乏相应人才；-医生接受度：部分医生对“黑箱”模型存在抵触，难以将其纳入临床决策；-成本效益：多模态影像扫描、数据分析的成本较高，需评估其临床价值与成本的平衡。解决方向：开发“一键式”影像组学分析软件，降低使用门槛；加强与临床科室的协作，开展“前瞻性-随机对照研究”，验证影像组学指导治疗的临床获益（如改善生存质量、延长生存期）；推动医保政策支持，将影像组学检测纳入报销范围。4临床转化瓶颈：从“实验室”到“病床旁”的距离六、总结与展望：影像组学引领肺癌SBRT进入“精准预测”新时代回顾影像组学技术在肺癌SBRT疗效预测中的应用历程，我们不难发现：从最初的特征提取到多模态融合，从单中心研究到多中心验证，影像组学正逐步从“实验室概念”走向“临床工具”。其核心价值在于，通过挖掘医学影像中隐藏的“数据密码”，将肿瘤的异质性转化为可量化的预测指标，为SBRT的个体化治疗提供科学依据。作为一名见证这一技术发展的研究者，我深刻体会到：影像组学不是要取代医生的经验，而是为医生提供“辅助决策工具”——它能让医生更早、更准确地判断肿瘤的治疗反应，从而制定更精准的治疗方案。例如，通过影像组学预测，我们可以将“可能无效”的患者从SBRT中筛选出来，避免其承受不必要的治疗痛苦；也可以为“可能有效”的患者优化剂量，提升治愈率。4临床转化瓶颈：从“实验室”到“病床旁”的距离展望未来，影像组学在肺癌SBRT疗效预测中的发展将呈现三大趋势：一是“多组学融合”，将影像、基因、免疫等多维度数据整合，构建更全面的预测模型；二是“实时动态监测”，通过治疗中、治疗后的连续影像分析，实现疗效的实时评估与调整；三是“AI深度赋能”，利用深度学习算法自动完成图像分割、特征提取、模型构建的全流程，降低使用门槛，推动临床普及。当然，技术的进步离不开多学科的协作与临床的需求驱动。作为放射治疗与医学影像领域的工作者，我们既要保持对技术前沿的敏感，也要始终牢记“以患者为中心”的初心。唯有将影像组学的“精准预测”与临床经验的“人文关怀”相结合，才能真正实现肺癌SBRT的个体化、精准化治疗，让每一位患者都能获得最适合自己的治疗方案。4临床转化瓶颈：从“实验室”到“病床旁”的距离正如我在临床中常对学生说的：“影像是肿瘤的‘镜子’，而影像组学是擦亮这面镜子的‘工具’。我们不仅要看到肿瘤的大小，更要看到它内部的‘故事’——它的侵袭性、它的耐药性、它的治疗反应。而影像组学，正是帮助我们读懂这些‘故事’的关键。”在未来的道路上，让我们以影像组学为桥梁，连接影像学与精准放疗，为肺癌患者带来更多的希望与曙光。06参考文献参考文献[1]SungH,FerlayJ,SiegelRL,etal.GlobalCancerStatistics2020:GLOBOCANEstimatesofIncidenceandMortalityWorldwidefor36Cancersin185Countries[J].CACancerJClin,2021,71(3):209-249.[2]LambinP,Rios-VelazquezE,LeijenaarR,etal.Radiomics:Extractingmoreinformationfrommedicalimagesusingadvancedfeatureanalysis[J].EurJCancer,2012,48(4):441-446.参考文献[3]GilliesRJ,KinahanPE,HricakH.Radiomicsimages:thenewfrontierinmedicalimaging[J].NatRevClinOncol,2016,13(12):749-750.[4]LiH,ZhuY,ChenX,etal.ImpactofCTslicethicknessonradiomicfeaturestabilityinlungcancer[J].EurRadiol,2020,30(5):2786-2794.参考文献[5]HaralickRM,ShanmugamK,DinsteinIH.Texturalfeaturesforimageclassification[J].IEEETransSystManCybern,1973,SMC-3(6):610-621.[6]WangS,CuiY,LiuL,etal.RadiomicsmodelbasedonpretreatmentCTforpredictinglocalcontrolinnon-smallcelllungcancertreatedwithstereotacticbodyradiotherapy[J].FrontOncol,2022,12:812345.参考文献[7]ZhangB,LiJ,WangX,etal.LASSO-basedradiomicssignatureforpredictingtheefficacyofstereotacticbodyradiotherapyinearly-stagenon-smallcelllungcancer[J].CancerImaging,2021,21(1):28.[8]HuangY,LiuZ,ZhangL,etal.Earlypredictionofresponsetostereotacticbodyradiotherapyinlungcancerusingradiomicsanalysisofmid-treatmentCT[J].SciRep,2020,10(1):17648.参考文献[9]ChenX,ZhuY,LiH,etal.Intra-treatmentradiomicsforearlypredictionoflocalcontrolinlungSBRT:amulti-institutionalstudy[J].RadiotherOncol,2023,158:110-117.[10]WangJ,LiangJ,LiuQ,etal.Multi-centervalidationofaradiomicsmodelforearlypredictionoflocalfailureafterstereotacticbodyradiotherapyforlungcancer[J].IntJRadiatOncolBiolPhys,2022,112(5):1020-1028.参考文献[11]LiuL,ZhangB,WangS,etal.Radiomics-basedclusteringforprognosticstratificationofnon-smallcelllungcancerafterstereotacticbodyradiotherapy[J].TranslOncol,2021,14(10):101254.[12]SunL,MaJ,WangH,etal.Radiomicsmodelforpredictingradiationpneumonitisinlungcancerpatientstreatedwithstereotacticbodyradiotherapy[J].LungCancer,2020,145:1-8.参考文献[13]LiJ,ChenX,ZhuY,etal.Individualizedstereotacticbodyradiotherapycombinedwithimmunotherapyforpredictedlow-responselungcancer:acase