[论文解读] 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 0

一句话总结

本文开发 COMPASS，一种针对 NSCLC 的患者特异性数字孪生，用于自适应放射治疗，利用分次多模态数据预测毒性并通过 GRU 自编码器和逻辑回归引导治疗。

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.

研究动机与目标

• 阐述在以生物学导向放射治疗（BGRT）治疗的 NSCLC 中，动态、患者特异性的正常组织毒性建模的必要性。
• 将 COMPASS（综合个性化评估系统）开发为一个时序数字孪生，以整合分次成像、剂量测定和剂量—反应动力学。
• demonstrated 权衡一个学习管线，通过 GRU 自编码器学习的器官特异性潜在轨迹并通过逻辑回归进行分类，以预测 CTCAE 级别 1+ 的毒性。
• 提供证据表明 AI 驱动的早期毒性预警可以在临床毒性出现前几个分次出现。
• 展示基于密集 BED 的表征捕捉与毒性相关的空间剂量纹理特征，传统剂量学可能未能发现。

提出的方法

• 将每位患者的分次 PET、CT、剂量组学、影像组学以及累计 BED 动力学作为时间序列数据进行聚合。
• 训练 GRU 自编码器，从时间序列数据中学习器官特异性潜在轨迹。
• 使用逻辑回归对潜在轨迹进行分类，以预测 CTCAE 级别 1 或以上的毒性。
• 分析 eight 名接受 BGRT 的 NSCLC 患者，获得 99 个器官-分次观测，覆盖 24 条器官轨迹（脊髓、心脏、食管）。
• 评估毒性风险信号的时机与特征，并将 BED 驱动的表征与传统剂量-体积方法进行比较。

实验结果

研究问题

• RQ1 一个患者特异性的时序模型是否能比传统方法更早预测 NSCLC 的正常组织毒性？
• RQ2 由多模态时间序列数据获得的器官特异性潜在轨迹是否提供对自适应放疗有意义的毒性信号？
• RQ3 BED 驱动的纹理信息是否与即将到来的毒性相关，超出传统剂量学指标？
• RQ4 数字孪生方法（COMPASS）在 BGRT 中持续更新治疗决策的可行性如何？
• RQ5 在一个样本小但时间信息丰富的 NSCLC 队列中，该方法的表现如何？

主要发现

• COMPASS 框架支持 AI 驱动的早期毒性预警，能在临床迹象出现前若干分次提示。
• 密集的 BED 驱动表征揭示与毒性相关的空间剂量纹理特征，传统剂量学可能会将其平均化而忽略。
• GRU 自编码器学习的器官特异性潜在轨迹，经分类后可预测 CTCAE 级别 1+ 的毒性。
• 该研究分析了 8 名 NSCLC 患者，覆盖 24 条器官轨迹、99 个器官-分次观测，证明了密集时序表型在自适应放疗中的可行性。
• 结果为持续更新的数字孪生在个体化放疗决策中的概念验证提供了证据。