目的 本研究使用传统影像组学及Delta-影像组学的方法,观察鼻咽癌患者放射性治疗后脑组织的异质性改变,并基于筛选出来的特征构建放射性脑病预测模型,最后联合临床指标构建影像+临床综合预测模型,为提前预测鼻咽癌患者放射治疗后潜在的放射性脑病提供依据。方法 根据纳入排除标准最终纳入121名接受过放射治疗的鼻咽癌患者,其中并发放射性脑病患者57例,无放射性脑病患者64例。收集两组患者放射治疗前、放射治疗后的MRI图像数据以及临床信息。在ITK-SNAP软件上对两组患者左侧颞叶中下极进行三维图像分割,利用A.K（Artificial Intelligence Kit）软件提取感兴趣区（region of interest,ROI）的影像组学特征。Delta-影像组学特征定义为放射治疗前后的影像组学特征的变化量,具体计算过程为放疗后的特征减去放疗前的特征,得到特征的绝对变化量,即Delta-影像组学特征。使用单因素logistic分析、Pearson相关分析和梯度提升决策树（gradient boosting decision tree,GBDT）方法来选择最优特征。最后根据所选取的特征建立相应的logistic回归模型,将有统计学差异的临床特征加入到影像模型中,构建综合预测模型。最后应用Delong检验对比几种模型的预测效能。结果 分别从放射治疗前、放射治疗后的MRI图像上提取1702个特征,经过公式计算得到1702个Delta-影像组学特征。经过特征选择后分别从放疗前增强T1+T2序列、放疗后增强T1+T2序列和Delta-增强T1+Delta-T2序列中保留了 3、8、9个有效特征。基于放疗前MRI图像构建的传统影像组学模型在训练集与测试集中AUC分别为0.916、0.891。基于放疗后MRI图像构建的传统影像学模型在训练集与测试集AUC分别为0.853、0.729。加入临床指标后构建的放疗后增强T1+T2+临床联合模型在训练集与测试集的AUC分别为0.962、0.894。Delta-影像组学模型在训练集与测试集中AUC分别为0.885、0.741,加入临床指标后构建的Delta-增强T1+Delta-T2+临床联合预测模型在训练集与测试集中AUC分别为0.95、0.903。Delong检验结果显示在训练集与测试集中放疗后增强T1+T2模型vs放疗后增强T1+T2+临床联合模型、Delta-增强T1+Delta-T2模型vs Delta-增强T1+Delta-T2+临床联合模型比较AUC均存在统计学差异。结论 颞叶影像组学生物标志物可为预测鼻咽癌患者放疗后放射性脑病的发生提供依据。基于放疗前后的MRI图像构建的传统影像组学模型及Delta-影像组学模型对放射性脑病均有较好的预测价值。包含了临床指标及影像组学特征的联合模型预测效能均优于相应的单纯影像组学模型,有助于临床早期预测放射性脑病,并及时制定合理的个体化治疗方案,提高患者生存质量。