头颈癌是世界上常见的恶性肿瘤,局部区域复发被认为是引起其不良预后的主要原因之一。在治疗前评估肿瘤风险并选择个体化治疗方案对改善患者预后至关重要。临床上常用患者年龄、肿瘤分期等指标评估肿瘤风险。此外,近年来随着医学影像技术的发展,有研究揭示了医学影像中存在的数字化信息可解码肿瘤自身的特性,是肿瘤风险评估极具潜力的信息来源。还有研究表明,放疗计划方案制定阶段产生的剂量体积直方图亦具有一定的预后预测能力,这说明在针对放疗患者的预后研究中还应充分考虑剂量分布质量对预后的影响。但现有预后研究仅涉及二维的剂量分布。相较之下,三维剂量分布包含更丰富的剂量信息,但鲜有研究探究三维剂量分布的预后价值。因此,本文尝试从头颈癌的三维剂量分布中挖掘量化的剂量特征,从中寻找影响头颈癌局部区域复发的剂量因素,并建立局部区域复发的预后模型。其中的特征挖掘采用传统影像组学方法和深度学习方法。本文将影像组学策略应用于肿瘤区域的三维剂量分布,从中提取大量的一阶特征和纹理特征,采用Cox 比例风险回归建立这些剂量特征与复发风险的关联模型,并将该模型进一步地与基于年龄、肿瘤分期等临床指标及CT、PET影像建立的模型进行比较。同时,本文还联合剂量+影像和剂量+影像+临床指标,以期建立性能更高的复发预测模型。实验数据从公开数据库中收集,包括237例来自四个治疗机构的头颈癌病例,其中两个机构的141例病例用于模型训练,剩余两个机构的96例病例用于模型评估。结果显示,基于剂量建立的模型,其C-index为0.60,显著高于CT模型(0.54)、PET模型(0.59)和CT+PET模型(0.58),与临床模型(0.60)相当;联合剂量和医学影像能提高模型的性能(0.66),即三维剂量分布和医学影像在复发预测上具有互补性;但再进一步联合临床指标无益于改善模型性能(0.56)。此外,通过统计分析发现,低头颈癌复发风险的人群其剂量波动范围较小且相对最低剂量较高。传统影像组学方法提取的都是人工设计的特征,可能会遗漏一些重要的图像信息。对此,本文尝试借助深度学习中的生存卷积神经网络从剂量分布和医学影像中自动提取针对复发风险的高预测性能特征用以建立复发预测模型。结果再次显示剂量分布和医学影像对于复发预测的互补性,即二者的联合能进一步提高模型的性能,这说明三维剂量分布对于头颈癌复发的预后价值在不同建模方法下具有一定的鲁棒性。此外,与传统影像组学方法所建模型相比,基于生存卷积神经网络的模型具有更高的性能。总之,本文运用两种数据挖掘方法在头颈癌中证实了三维剂量分布具有一定的局部区域复发预测能力。