Multimodale Fusion Vorhersage von Strahlentherapie-Pneumonitis durch Schlüsselmerkmalsauswahl basierend auf Dual-Layer Attention Multiple-Instance Learning vor der Strahlentherapie

Strahlentherapie-Pneumonitis (RP), eine der häufigsten und schwerwiegendsten Komplikationen bei Patienten mit lokal fortgeschrittenem nicht-kleinzelligem Lungenkarzinom (LA-NSCLC) nach thorakaler Strahlentherapie, stellt erhebliche Herausforderungen in der Vorhersage dar, aufgrund der Komplexität klinischer Risikofaktoren, unvollständiger multimodaler Daten und fehlender Slice-Ebene-Anmerkungen in CT-Bildern vor der Strahlentherapie. Um diese Herausforderungen zu bewältigen, schlagen wir ein multimodales Fusionsframework basierend auf Dual-Layer Attention-Based Adaptive Bag Embedding Multiple-Instance Learning (DAAE-MIL) für präzise RP-Vorhersage vor. Diese Studie sammelte retrospektiv Daten von 995 LA-NSCLC-Patienten, die zwischen November 2018 und April 2025 eine thorakale Strahlentherapie erhielten. Nach dem Screening wurden die Datensätze (n = 670) für das Training (n = 535) zugewiesen, während die verbleibenden Proben (n = 135) für einen unabhängigen Testdatensatz reserviert wurden. Das vorgeschlagene Framework extrahiert zunächst die CT-Bildmerkmale vor der Strahlentherapie mit einem fein abgestimmten C3D-Netzwerk, gefolgt vom DAAE-MIL-Modul, um kritische Instanzen zu selektieren und bag-level Repräsentationen zu generieren, wodurch die Genauigkeit der tiefen Merkmalsextraktion verbessert wird. Anschließend werden klinische Daten, Radiomics-Merkmale und aus CT abgeleitete tiefe Merkmale integriert, um ein multimodales Vorhersagemodell zu erstellen. Das vorgeschlagene Modell zeigt vielversprechende RP-Vorhersageleistungen über mehrere Evaluationsmetriken hinweg und übertrifft sowohl den Stand der Technik als auch unimodale RP-Vorhersageansätze. Im Testdatensatz erreicht es eine Genauigkeit (ACC) von 0,93 und eine Fläche unter der Kurve (AUC) von 0,97. Diese Studie validiert, dass die vorgeschlagene Methode effektiv die Einschränkungen der unimodalen Vorhersage und die unbekannten Schlüsselmerkmale in CT-Bildern vor der Strahlentherapie angeht und dabei erheblichen klinischen Wert für die Risikobewertung von RP bietet.