[論文レビュー] A Patient-Specific Digital Twin for Adaptive Radiotherapy of Non-Small Cell Lung Cancer

A. Sud, Jialu Huang+5 more|arXiv (Cornell University)|Feb 15, 2026

Radiomics and Machine Learning in Medical Imaging被引用数 0

ひとこと要約

本論文は、NSCLCの適応放射線治療における患者特異的デジタルツイン COMPASS を開発し、分次の多模データを用いて毒性を予測し、GRUオートエンコーダとロジスティック回帰を用いて治療方針を導く。

ABSTRACT

Radiotherapy continues to become more precise and data dense, with current treatment regimens generating high frequency imaging and dosimetry streams ideally suited for AI driven temporal modeling to characterize how normal tissues evolve with time. Each fraction in biologically guided radiotherapy(BGRT) treated non small cell lung cancer (NSCLC) patients records new metabolic, anatomical, and dose information. However, clinical decision making is largely informed by static, population based NTCP models which overlook the dynamic, unique biological trajectories encoded in sequential data. We developed COMPASS (Comprehensive Personalized Assessment System) for safe radiotherapy, functioning as a temporal digital twin architecture utilizing per fraction PET, CT, dosiomics, radiomics, and cumulative biologically equivalent dose (BED) kinetics to model normal tissue biology as a dynamic time series process. A GRU autoencoder was employed to learn organ specific latent trajectories, which were classified via logistic regression to predict eventual CTCAE grade 1 or higher toxicity. Eight NSCLC patients undergoing BGRT contributed to the 99 organ fraction observations covering 24 organ trajectories (spinal cord, heart, and esophagus). Despite the small cohort, intensive temporal phenotyping allowed for comprehensive analysis of individual dose response dynamics. Our findings revealed a viable AI driven early warning window, as increasing risk ratings occurred from several fractions before clinical toxicity. The dense BED driven representation revealed biologically relevant spatial dose texture characteristics that occur before toxicity and are averaged out with traditional volume based dosimetry. COMPASS establishes a proof of concept for AI enabled adaptive radiotherapy, where treatment is guided by a continually updated digital twin that tracks each patients evolving biological response.

研究の動機と目的

• NSCLC における生物学的にガイドされた放射線治療 (BGRT) で正常組織毒性の動的、患者特異的モデリングの必要性を動機づける。
• COMPASS (Comprehensive Personalized Assessment System) を時系列デジタルツインとして開発し、分次の画像、線量計測、線量反応動力学を統合する。
• GRUオートエンコーダーで学習した臓器特異的潜在軌道をロジスティック回帰で分類し、CTCAE グレード1以上の毒性を予測する学習パイプラインを実証する。
• 臨床毒性が現れる数分割前にAI駆動の早期毒性警告が現れるエビデンスを提供する。
• デンス BED driven 表現が、従来の線量体積指標では見逃されがちな毒性に関連する空間的線量テクスチャ特性を捉えることを示す。

提案手法

• 患者ごとに分次の PET/CT/ドシオミクス/ラジオミクス、および累積 BED 動力学を時系列データとして集約する。
• GRUオートエンコーダを訓練し、時系列データから臓器特異的潜在軌道を学習する。
• 潜在軌道をロジスティック回帰で分類し、CTCAE グレード1以上の毒性を予測する。
• BGRTを用いた eight NSCLC 患者を分析し、24 の臓器軌道に対して 99 の臓器分割観測を取得する（脊髄、心臓、食道）。
• 毒性リスク信号のタイミングと特徴を評価し、BED 主導の表現と従来の線量体積アプローチを比較する。

実験結果

リサーチクエスチョン

• RQ1 従来法より早く NSCLC の正常組織毒性を予測できる患者特異的時系列モデルは作れるか。
• RQ2 多模態・時間発のデータから得られる臓器特異的潜在軌道は、適応放射線治療に有意義な毒性信号を提供するか。
• RQ3 BED 主導のテクスチャ情報は、従来の線量指標を超えて迫る毒性予兆と関連するか。
• RQ4 COMPASS を用いたデジタルツインアプローチの BGRT における治療判断の継続的更新の実現可能性は。
• RQ5 時間的に豊富な NSCLC コホートにおけるこのアプローチの実用性は。

主な発見

• COMPASS フレームワークは、臨床的兆候が現れる数分割前に AI 駆動の早期毒性警告をサポートする。
• デンス BED 主導の表現は、従来の線量計測では平均化されて見落とされがちな毒性に関連する空間的線量テクスチャ特性を明らかにする。
• GRUオートエンコーダは臓器特異的潜在軌道を学習し、それを分類することで CTCAE グレード1以上の毒性を予測する。
• 本研究は 8 名の NSCLC 患者を分析し、99 の臓器分割観測を 24 の臓器軌道にわたって取得し、適応放射線治療のための dense な時系列表現の実現可否を示した。
• 結果は、個別化された放射線治療意思決定を継続的に更新するデジタルツインの概念実証を確立する。