《Radiation Oncology》杂志 2024年12月30日在线发表荷兰Tilburg University,的Hemalatha Kanakarajan , Wouter De Baene , Patrick Hanssens , Margriet Sitskoorn撰写的《结合临床、放射影像组学和深度学习特征预测立体定向放疗后脑转移瘤的局部控制Predicting local control of brain metastases after stereotactic radiotherapy with clinical, radiomics and deep learning features》（doi: 10.1186/s13014-024-02573-9.）。
背景和目的：
立体定向放射治疗脑转移瘤后及时发现局部失效，可以修改治疗方案，潜在地改善预后。虽然之前的研究表明，将放射影像组学或深度学习（DL）特征添加到临床特征中可以提高局部控制（LC）预测的准确性，但它们预测LC的综合潜力仍未得到探索。我们检查了使用放射影像组学、深度学习（DL）和临床特征组合的模型是否比仅使用这些特征的子集的模型获得更好的准确性。
转移性脑肿瘤是颅内恶性肿瘤中最常见的形式。脑转移瘤在大约20-40%被诊断为癌症的个体中表现出来。虽然任何肿瘤都有可能扩散到脑部，但主要类型包括肺癌、乳腺癌、黑色素瘤和胃肠道癌。脑转移瘤的发病率呈上升趋势。采用先进的成像方法进行诊断，同时采用创新的化疗方法进行全身癌症治疗，可能有助于增加发现和发展脑转移瘤的可能性。
目前，脑转移瘤患者的预后较差，未经治疗的患者中位总生存期为几周到几个月。脑转移瘤患者的生存取决于及时的诊断和治疗效果。标准的治疗方案是手术切除和放射治疗。对于在可及部位有单个大肿瘤的患者，建议手术治疗。脑转移瘤的三种主要放射治疗方式是全脑放疗（WBRT）、单次立体定向放射外科（SRS）和分次立体定向放射治疗（SRT）。WBRT是过去多发性脑转移瘤患者的主要治疗方法。由于WBRT的不利影响，如疲劳和认知能力下降，因此已经从WBRT转向SRT和SRS。通过SRS，多个非共面光束汇聚在一起，向靶标区域提供单次的高辐射剂量，而SRT随着时间的推移提供多个较小剂量的辐射。在SRS和SRT中，所传递的辐射被限制在病变内，在治疗体积的边缘有一个快速的剂量下降。由于辐射剂量没有传递到健康的脑组织，因此与WBRT相比，治疗后认知能力下降的可能性降低。
脑转移瘤的局部控制（LC）评估是一个重要的临床终点。治疗后病情稳定的归为LC，而病情进展的归为局部失效（LF）。可能需要几个月的时间才能在后续扫描中发现局部病变的变化。考虑到脑转移患者放疗后的中位生存期可在5个月至4年之间，及时识别放疗后的LF至关重要，因为它为及时定制治疗修改提供了机会，确保患者接受最有效的治疗，并最大限度地提高其良好预后的机会。
由人工智能（AI）驱动的癌症成像分析有可能通过从常规获得的医学图像中揭示以前未披露的特征来彻底改变医疗实践。这些特征可以作为有价值的输入，用于开发旨在预测脑转移瘤治疗反应或LC的机器学习模型。考虑到图形处理单元（GPU）处理能力的进步和大量训练数据的可用性，这一点尤其重要，这些数据导致了神经网络和深度学习技术在回归和分类任务中的快速扩展。深度学习模型在识别包括癌症治疗在内的一系列应用中的医学图像数据中的关键和独特特征方面显示出巨大的潜力。深度学习使用人工神经网络从原始数据中自动学习特征。在医学成像中，深度学习方法直接应用于图像本身，学习数据的分层表示。深度学习在图像分类、目标检测和分割等任务中尤其成功。深度学习模型从肿瘤图像中提取的信息可用于预测治疗结果。Jalalifar等引入了一种新的深度学习架构，利用治疗计划磁共振成像（MRI）和标准临床属性，预测立体定向放射治疗脑转移瘤患者LC的预后。他们的研究结果强调，在临床特征中加入深度学习特征显著提高了预测的准确性。
放射影像组学是另一个从医学图像中提取定量特征以用于不同临床应用的研究领域。放射影像组学的重点是从医学图像中提取定量特征，如纹理、形状和强度特征。然后，这些特征被用来描述图像中的肿瘤或其他异常。
虽然放射影像组学和深度学习都用于医学成像，但放射影像组学侧重于从图像中提取手工制作的特征（例如手动描绘的肿瘤分割），而深度学习则直接使用神经网络从原始数据中学习特征。许多研究都强调了基于放射影像组学的机器学习算法在预测不同医疗条件下的治疗结果方面的效率。基于放射影像组学的机器学习算法也被有效地应用于放疗后脑转移瘤的LC预测。Karami等提出了一个放射影像组学框架来预测SRT治疗脑转移瘤患者的LC。基于放射影像组学特征，Kawahara等提出了一种预测脑转移瘤对伽玛刀放射外科（Gamma Knife Radiosurgery， GKRS）局部反应的神经网络模型。Liao等和Andrei等证明了将放射影像学特征与临床特征相结合来增强预测GKRS后脑转移瘤反应的价值。他们的研究结果表明，在临床特征中加入放射影像学特征提高了脑转移例LC预测模型的准确性。
使用放射影像组学或深度学习特征结合临床特征预测SRT后脑转移瘤LC的研究表明，加入放射影像组学或深度学习特征均可提高模型的预测准确性。放射影像组学涉及提取所谓的手工特征，这些特征是使用应用于图像中感兴趣区域的预定义数学函数计算出来的。相比之下，深度学习不需要预先定义特征，而是以数据驱动的方式提取更抽象、高维的图像信息。虽然放射影像组学和深度学习都计算类似类型的特征，但先前的研究表明，这些特征可能提供互补的信息，可能提高模型的预测精度（例如，Gao等）。Chang等和Hosny等在其肺癌患者预测模型中整合了深度学习和放射影像组学特征。Chang 等的研究表明，深度学习特征的加入提高了模型预测非小细胞肺癌患者个体预后的性能。另一方面，Hosny等的研究表明，在放射影像组学特征中加入深度学习特征可以显著提高一个治疗组的死亡风险预测准确性，而另一个治疗组则没有。虽然在放射影像组学中加入深度学习似乎可以提高模型在不同肿瘤学领域的预测性能，但目前尚不清楚放射影像组学和深度学习特征的结合是否可以显著提高模型预测脑转移局部控制的性能，这是本研究的目的。使用所有这些组合特征训练的模型可能比使用这些特征子集训练的其他模型更准确地预测LC，提供对治疗反应的更全面的了解，可能导致更有针对性和更有效的干预措施，从而改善治疗结果，延长患者生存期，提高生活质量。
材料与方法：
收集Elisabeth-TweeSteden医院伽玛刀中心收治的129例患者的治疗前脑MRI（TR/TE: 25/1.86 ms, FOV: 210 × 210 × 150，翻转角度：30°，水平方向，体素大小：0.82 × 0.82 × 1.5 mm）和临床资料。使用Python放射影像组学特征提取器提取放射影像组学特征，使用3D ResNet模型获得DL特征。采用随机森林机器学习算法训练四种模型：(1)仅使用临床特征；(2)临床和放射影像组学特征；(3)临床及DL特征；(4)临床、放射影像组学和DL特征。使用K-fold交叉验证获得平均准确度和其他指标。
数据收集
我们回顾性收集了来自荷兰Tilburg Elisabeth-TweeSteden医院（ETZ）伽玛刀中心的199例脑转移瘤患者的临床资料。这项研究得到了ETZ科学办公室和蒂尔堡大学伦理审查委员会的批准。患者在伽玛刀中心接受GKRS。临床数据不完整（即一个或多个临床变量缺失值）的患者被排除在我们的数据集中，结果129例患者被纳入分析。对于这129例患者，使用1.5 t Philips Ingenia扫描仪（Philips Healthcare, Best, The Netherlands）收集治疗前对比增强（三剂量钆）脑MRI， T1加权序列（TR/TE: 25/1.86 ms, FOV: 210 × 210 × 150，翻转角度：30°，横切片方向，体素大小：0.82 × 0.82 × 1.5 mm）。这些高分辨率的全脑计划扫描是2015年至2021年期间在ETZ伽玛刀中心进行的临床护理的一部分。对于所有患者，基线基线的分割是由ETZ的肿瘤学专家和神经放射学家手动划定的。在ETZ，分别于治疗后3、6、9、12、15和21个月进行FU MRI扫描。如果在任何随访MRI上与预处理MRI相比，肿瘤体积相对增加，则肿瘤被定义为进展性（即局部复发或局部失败（LF））。我们将放射不良引起的体积增大与肿瘤进展引起的体积增大区分开来。我们认为进展是由于肿瘤进展而扩大。我们认为肿瘤稳定（即局部控制）是：没有生长，转移灶变小或消失。确定病情稳定和进展的方法与RANO-BM一致。然而，不同之处是，我们使用肿瘤体积而不是一维最长直径来衡量进展，因为体积标准似乎优于一维RANO-BM标准（Ocaña-Tienda等）。预处理、特征提取、模型训练和评估在Python（版本3.11）中进行。
预处理
作为第一个预处理步骤，使用SPM12 （Wellcome Trust Center for Neuroimaging, London， UK）中的Dartel将所有MRI扫描注册到标准MNI空间，使用Python实现的Nipype （Python中的神经成像-管道和接口）软件包（版本1.8.6）[29]。将归一化图像的体素大小设置为1*1*1 mm3。对于所有其他规范化配置，使用SPM12提供的默认值。标准化到标准的MNI空间重新缩放和转换扫描，以匹配MNI模板的体素大小和空间分辨率。这确保了从分割中提取的特征在不同患者之间具有可比性。另一个预处理步骤是将多个脑转移患者的基础真值标签合并到一个单一的基础真值掩模中。这个集成使用了FSL库（Release 6.0）。采用预处理技术提高放射影像组学和深度学习特征提取的可靠性。
临床特征
我们从ETZ伽玛刀中心收集的临床因素包括：性别、生存状况、原发肿瘤诊断后30天内脑转移瘤的诊断、既往脑治疗、既往SRS、既往WBRT、既往手术、既往全身治疗、有无颅外转移、有无淋巴结转移、有无癫痫发作、诊断时转移瘤数、Karnofsky性能状态评分（KPS）、GKRS后新转移的发生、有无颅外肿瘤活动、原发肿瘤类型、脑转移灶诊断年龄、原发肿瘤诊断年龄、有无局部复发、肿瘤体积、治疗剂量。对于治疗剂量，我们取剂量范围的平均值。我们从基线基线的分割中提取肿瘤体积，并将其添加到临床数据中。我们对有一个以上脑转移瘤的患者的肿瘤总体积进行了测量。将临床数据转换为python数据框架。
放射影像组学（Radiomics）特性
使用python放射影像组学包的放射影像组学特征提取器从T1加权预处理MRI扫描中提取基于片段的放射影像组学特征。从肿瘤分割的感兴趣区域（ROI）中提取的7组特征分别是基于形状的特征（14个）、一阶特征（18个）、灰度共生矩阵（GLCM）（24个）特征、灰度依赖矩阵（GLDM）（14个）特征、灰度运行长度矩阵（GLRLM）（16个）特征、灰度大小区域矩阵（GLSZM）（16个）特征和相邻灰度色调差分矩阵（NGTDM）（5个）特征。本研究考虑了由此产生的107个放射影像组学特征。提取的放射影像组学特征列表列在附录中的x射线检验。
提取的放射影像组学特征列表列在附录中。然后将放射影像组学特征与临床特征相结合，形成一个组合的python数据框架。这些放射影像组学特征的数学定义在Pyradiomics特征文档（https://pyradiomics.readthedocs.io/en/latest/features.html）中给出。IBSI（图像生物标志物标准化倡议）提供了从医学图像中提取和报告放射影像组学特征的标准化指南。PyRadiomics纳入了IBSI建议的大多数方面。Pyradiomics文档（https://pyradiomics.readthedocs.io/en/latest/faq.html）中有与本标准的轻微偏差。
深度学习特点
使用在ImageNet挑战数据集上预训练的3D ResNet模型（没有在我们的数据集上进行任何自定义训练）从手动分割的蒙版中提取深度学习特征。在输入之前，使用3阶样条插值将图像重新缩放为256 × 256 × 256，提高了模型的精度。此外，像素在- 1和1之间进行采样缩放，图像在没有任何填充的情况下围绕分割蒙版裁剪。这些预处理步骤有助于优化3D ResNet模型从图像[35]中提取有意义特征的性能。
对训练数据进行三维卷积处理。该卷积层设计了50个滤波器和（7,7,7）的大核大小，同时还采用（2,2,2）的步长进行下采样。这个跨步的目的是有效地降低输入数据的空间维度，在管理计算复杂度[36]的同时捕获跨数据集的更广泛的信息。
为了微调这个卷积层，我们应用了批归一化和整流线性单元（ReLU）激活。批处理归一化有助于模型适应我们的数据集，提高其性能、稳定性和泛化能力。ReLU就像神经网络中神经元的一个简单的开/关开关。ReLU帮助神经网络学习，让积极的信号不变地通过，而忽略消极的信号，从而使神经网络有效地学习复杂的模式。ReLU将图像中的特征进行变换，使其与预训练模型兼容，保持与原始训练的一致性，并在微调过程中促进高效的梯度传播[37,38]。
在此之后，我们将三个微调的ResNet块合并到模型中。在加入ResNet块后，我们使用全局平均池化将空间维度降至1 × 1 × 1。最后，增加一个具有softmax激活的致密层进行分类。使用这个微调的3D ResNet模型提取的50个深度学习特征，然后与临床和放射影像组学特征相结合，形成一个组合的python数据框架。我们从GlobalAveragePooling3D层的输出中提取深度特征，这是模型中的倒数第二层。
预处理和特征提取的完整过程如图1所示。
图1数据预处理、特征提取、组合的过程
模型训练
将方差< 0.01的特征排除在组合数据集中，提高预测精度。排除的特征列表包含在附录中。然后将数据规范化，使用SMOTE[42]进行平衡，并提供给Random Forest分类器。Chen et al.[39]的实验结果表明，Random Forest机器学习算法相比其他分类算法具有更好的分类性能。因此，我们选择随机森林机器学习算法从组合数据中预测LC。根据k值（详见下文），使用包含总数据的80%、86%或90%的训练数据集对模型进行训练，随后分别与包含20%、14%或10%数据的相应验证数据集进行交叉验证。模型的训练和评估过程如图2所示。训练和验证中使用的二元结果是从临床特征列表中提取的治疗后的LC。我们创建的不同模型是：
1随机森林分类器只训练临床特征。
2结合临床和深度学习特征训练的随机森林分类器。
3结合临床和放射影像组学特征训练的随机森林分类器。
4结合临床、放射影像组学和深度学习特征训练的随机森林分类器。
图2模型训练、评估和预测
模型评价
通过测量以下指标来评估模型的性能：分类准确率、精度、F1分数、召回率和AUC。分类准确率是正确预测数与输入样本总数之比。精确度是分类器不将阴性样本标记为阳性的能力，召回率是分类器找到所有阳性样本的能力。换句话说，精度是真阳性预测与模型做出的正预测总数的比率，而召回率是真阳性预测与数据集中实际阳性总数的比率。以百分比表示的F1分数给出了模型正确的频率（精度）和它找到所有积极实例的程度（召回率）之间的平衡。接受者工作特征（ROC）是一个图形图，它是通过绘制各种阈值设置下的真阳性率与假阳性率来创建的。AUC计算ROC曲线下的面积。通过这样做，曲线信息被总结为一个数字。与F1分数类似，AUC在1时达到最佳值。
对模型进行k倍交叉验证。在交叉验证过程中，我们对K使用的不同值分别为5、7和10。计算了不同褶皱的平均精度和其他指标。从训练的模型中，我们还提取了各种因素对预测LC的重要性。
模型比较
为了确定四种模型之间的性能是否存在显著差异，并了解观察到的差异的实际意义，我们对四种模型的精度进行了统计比较。我们在Python中使用Friedman检验来分析所有k值的所有验证折中的准确性差异的显著性。当Friedman检验显示模型之间的性能存在显著差异时，使用使用Benjamini-Hochberg方法进行错误发现率（FDR）校正的Wilcoxon符号秩检验进行两两比较。差异有统计学意义，p < 0.05。
结果：
仅利用临床变量的预测模型的受试者工作特征曲线下面积（Area Under operating characteristic Curve， AUC）为0.85，准确度为75.0%。添加放射影像组学特征使AUC提高到0.86，准确率提高到79.33%；添加DL特征使AUC提高到0.82，准确率提高到78.0%。临床、放射影像组学和DL特征相结合的效果最好，AUC为0.88，准确率为81.66%。与单独使用临床特征或结合临床和DL特征训练的模型相比，该模型的预测改善具有统计学意义。然而，与临床和放射影像组学特征训练的模型相比，改善没有统计学意义。
病人的特点
表1显示了纳入我们研究的患者的特征。129例患者中男性占42%，女性占58%。患者平均年龄63岁，平均肿瘤体积为17,445 mm3。69%的患者有原发性肺癌，94%的患者有少于10个脑转移灶。
表1。病人的特点.
跨交叉验证数据集的四个模型的平均性能指标如表2所示。粗体为相应性能指标的最佳得分值。
表2。模型的平均性能及其在验证数据集上的95%置信区间.
仅用临床特征训练的随机森林模型准确率为75.0%。结合临床特征和深度学习特征训练的模型准确率提高了78.0%。临床特征与放射影像组学特征相结合训练的模型准确率更高，为79.33%。而结合临床、放射影像组学和深度学习特征训练的模型预测准确率最高，达到81.66%。该模型的最高精度为81.33%，F1得分为86.44%，最佳AUC为0.88。结合临床和放射影像组学特征训练的模型准确率为79.3%，精密度为77.66%，F1评分为78%，AUC为0.86。仅用临床特征训练的模型预测准确率最低，为75.0%。该模型的最低召回率为73.33%，F1得分为73%，准确率为74%。结合临床、放射影像组学和深度学习特征训练的模型ROC曲线如图3所示。其余三种模型的ROC曲线加入附录。我们还使用跨交叉验证折叠的Pearson’s相关性计算了模型特征选择的平均稳定性。仅具有临床特征的模型稳定性为88%。临床和放射影像组学模型以及所有特征组合训练的模型的稳定性为87%。具有临床和深度学习特征的模型的特征选择稳定性为70%。
图3经临床、深度学习和放射影像组学特征训练的模型ROC曲线
基尼重要性（Gini Importance）是scikit-learn中随机森林算法使用的特征重要性的标准度量，用于定义变量重要性。每个模型预测LC的前10个因素的可变重要性被添加到附录中。对于结合临床、放射影像组学和深度学习特征训练的模型，与LC预测相关的前10个特征是 tumor volume, original_shape_Elongation, original_ shape_VoxelVolume, original_shape_Maximum2DDiameterSlice, original_shape_Sphericity, original_firstorder_90Percentile, original_firstorder_Entropy, Average dose, original_shape_Flatness, and original_shape_Maximum3DDiameter.。除了肿瘤体积和平均剂量是临床特征外，其余的前10个特征都是放射影像组学特征。这个列表中没有深度学习功能。在联合模型中，肿瘤体积成为最重要的变量。
统计分析结果
我们使用Friedman检验来分析所有k值在验证折叠之间的准确性差异的显著性。检验结果表明，四种模型的准确性差异具有统计学意义，卡方值为10.26，p值为0.016。这意味着至少有一个模型的表现与其他模型明显不同。为了确定哪些模型差异显著，我们使用FDR方法进行了两两Wilcoxon符号秩检验，并对多重比较进行了修正。这些试验的结果见表3。仅使用临床特征训练的模型与使用所有特征联合训练的模型（p值= 0.008）以及使用临床和放射影像组学特征联合训练的模型（p值= 0.042）之间的差异具有统计学意义（经过FDR校正）。使用临床和深度学习特征训练的模型与使用所有特征训练的模型之间存在显著差异（p值= 0.042）。
表3。统计分析结果.
讨论：
接受SRT治疗的脑转移患者有发生局部失效的风险。及时诊断局部失败可能会增加治疗选择，从而改善治疗结果。在本研究中，我们训练并测试了机器学习算法，以使用临床特征和T1加权MR成像特征来预测局部失败。开发了四种不同的模型：一种是仅用临床特征训练的模型，一种是临床与深度学习特征相结合的模型，一种是临床与放射影像组学特征相结合的模型，一种是临床、放射影像组学和深度学习特征相结合的模型。
我们的发现与该领域先前的研究相一致，并在此基础上进行了扩展。Jalalifar等介绍了一种新的深度学习架构，利用治疗计划磁共振成像和标准临床属性来预测立体定向放射治疗脑转移患者LC的预后。仅使用临床特征开发的模型准确率为67.5%，但在临床特征中加入深度学习特征后，预测准确率大幅提高至82.5%。同样，我们的模型使用临床和深度学习特征进行训练，提供了78.0%的预测精度，比仅使用临床特征（75.0%）有所提高。然而，与Jalalifar等人相比，在我们的研究中添加深度学习特征并没有产生类似程度的改进。
Kawahara等使用仅包含放射影像组学特征的神经网络模型证明了放射影像组学特征在该领域的潜力，该模型在预测转移性脑肿瘤对GKRS的局部反应方面达到了78%的准确性。我们的模型结合临床和放射影像组学特征进行训练，预测准确率为79.33%。重要的是，该模型优于包括临床和深度学习特征的模型。在这项研究中，我们将手工制作的放射影像组学和深度学习特征与临床特征结合起来预测脑转移的LC。该模型的准确率为81.66%，是所有测试模型中性能最好的。
统计分析表明，结合放射影像组学的模型明显优于仅通过临床特征或临床与深度学习特征相结合进行训练的模型，从而增强了手工制作的放射影像组学特征在捕捉对预测LC至关重要的基于成像的特征方面的鲁棒性。仅将深度学习特征添加到临床特征中或将临床特征与放射影像组学特征相结合并不能显著提高预测准确性。这些结果表明，虽然深度学习特征在先前的研究中已经显示出效用（例如Jalalifar等），但它们在这一特定背景下的贡献可能有限，可能是由于它们与放射影像组学特征重叠。我们的研究结果与Hosny等的研究结果相似，Hosny 等发现在放射影像组学特征中加入深度学习特征并没有显著提高肺癌放疗组患者的预测准确率，但却显著提高了手术组患者的预测准确率。
虽然使用组合特征训练的模型与使用临床和放射影像组学特征训练的模型之间的性能差异没有达到统计学意义，但与使用特征子集训练的所有其他模型相比，组合模型的性能更高。在开始SRT治疗前高精度预测LC的能力为定制治疗策略以获得最佳结果提供了宝贵的机会。向临床医生提供个别患者局部复发风险的信息，使他们能够在SRT之前与患者讨论这些风险。在治疗前预测LC的能力不仅有助于在SRT方面做出明智的决策，而且还为考虑其他治疗方式（如全身治疗或WBRT）开辟了道路。此外，它可以使临床医生根据预测的局部复发风险，探索替代放疗方法，如分次SRT或较高剂量的SRS。相反，在局部复发风险较低的情况下，SRT可能比其他治疗方案更受青睐。最终，LC的治疗前预测是临床医生和患者的一个有价值的工具，促进了共同决策，并根据个体患者的需求和风险概况优化了治疗计划。此外，对该模型提供的变量重要性的了解可以为了解脑转移瘤LC相关特征提供有价值的见解，可能指导未来的研究和临床决策。肿瘤体积成为变量重要性最高的特征，说明SRS治疗后局部控制与肿瘤总体积高度相关。这与Baschnagel等的临床研究一致，他们发现脑转移瘤总体积是局部控制的一个强大且独立的预测因子。虽然本研究的重点是建立一个预测SRT后LC的模型，但同样的方法可以扩展到其他治疗方案和预测其他临床终点，如总生存期。
本研究的一个局限性在于脑转移瘤的分割程序。ETZ的肿瘤学专家和神经放射学专家手动划定了本研究中使用的所有计划MRI扫描的基线基线分割。使用基于人工智能的分割系统的全自动模型会更好。本研究的另一个局限性是局部对照被纳入二元结果变量。这限制了对局部控制的时间方面的评估，而这可以提供有关局部故障发生时间的有价值的见解。此外，结合肿瘤体积和使用单一进展标签简化了分析并代表了整体肿瘤体积，但它可能限制了对转移瘤异质性的认识，特别是在病变行为不同的情况下。
值得注意的是，在本研究中，我们只使用T1加权MRI扫描。探索其他序列并从中提取放射影像组学和深度学习特征可能会进一步提高预测模型的准确性。此外，为了对模型的有效性和稳健性进行更严格的评估，需要对更大的患者群体进行进一步的调查，最好是多机构数据。此外，纳入外部验证数据集可以显著提高预测模型的泛化性，增强其在不同患者群体和医疗保健环境中的临床适用性的信心。
结论：
将放射影像组学和深度学习（DL）特征与临床特征相结合，可提高对立体定向放疗后脑转移瘤局部控制的预测。结合放射影像组学特征的模型始终优于单独使用临床特征或临床和深度学习（DL）特征的模型。我们的综合模型预测准确性的提高表明了早期结果预测的潜力，使及时的治疗修改能够改善患者管理。
本研究结果表明，结合临床、放射影像组学和深度学习特征训练的机器学习模型预测脑转移瘤LC的准确性高于使用这些特征子集训练的模型。虽然多种特征类型的集成通常可以提高预测性能，但添加深度学习特征并不能在统计上提高模型的性能。预测准确性的提高可以导致更有针对性和更有效的干预措施，从而改善治疗结果，延长患者生存期，提高生活质量。
