AI-enabled precision prediction and proactive management of cutaneous toxicities in cancer immunoradiotherapy (ICI+RT).

癌症免疫放射治療（ICI+RT）雖大幅提升晚期腫瘤的局部與全身控制率，卻伴隨極高的皮膚毒性反應發生率，導致許多患者被迫中斷療程。傳統醫學多半只能等患者皮膚出現嚴重紅腫或潰瘍後才被動介入，且現行分級系統難以在治療初期預測個體化風險。透過導入人工智慧多模態數據融合，結合輻射劑量拓樸、影像組學與血液發炎指標，醫療界正試圖將皮膚毒性管理從事後補救轉向事前防禦，在組織發炎失控前提前攔截損傷。

傳統分級機制的侷限與 ICI+RT 複合型皮膚毒性

放射線治療引發的皮膚損傷，臨床表現涵蓋輕微紅斑到嚴重的濕性脫屑與潰瘍。然而，即使採用現代高順應性放射技術，相同劑量下的患者反應仍存在巨大差異，單靠物理劑量指標無法有效預測毒性發生率。當療程進一步加入免疫檢查點抑制劑（Immune Checkpoint Inhibitors, ICI）後，皮膚毒性更呈現出非典型的複合特徵與延長的病程。

臨床觀察指出，免疫相關的皮膚疹常好發於先前接受過放射線照射的區域，即便免疫治療是在放療結束數週甚至數月後才啟動。這種現象顯示，放射線引發的組織重塑會為局部的免疫反應鋪路，大幅降低後續發炎損傷的門檻。受到輻射調理的皮膚場域，等同為免疫系統提供了放大的溫床，進而引發侷限於特定區域的劇烈毒性發作。

面對這種具備高度個體差異的複合型毒性，現行依賴事後觀察的傳統分級系統顯得極為受限。這些機制無法在治療初期提供主動介入的決策依據，也突顯出臨床上迫切需要超越單一因子評估、邁向高度整合性個體化預測的數據驅動策略。

從 DNA 損傷到 T 細胞失調的底層發炎路徑

探究免疫放射治療引發皮膚毒性的底層生物邏輯，主要源於組織損傷與免疫系統過度活化的交集。放射線首先會在角質細胞與纖維母細胞中引發 DNA 雙股斷裂與粒線體氧化壓力，進而釋放出 DAMPs（損傷相關分子模式，受損細胞釋放的危險訊號）。這些訊號會將局部的組織損傷，轉化為啟動後續免疫反應的發炎環境。

這些內源性危險訊號會迅速活化先天免疫系統，特別是 cGAS-STING（先天免疫系統中偵測異常 DNA 的傳導路徑）與 NLRP3 發炎小體。這會促使第一型干擾素與白血球介素（如 IL-1β、IL-18）大量釋放，形成自我放大的發炎迴路。這種先天免疫的活化程度取決於患者基線的皮膚免疫狀態，也解釋了為何相同劑量會產生截然不同的外顯症狀。

隨後，細胞激素放大迴路如 NF-κB 與 IL-6–JAK/STAT3 訊號路徑接管戰場，導致發炎細胞持續聚集並破壞表皮屏障功能。在免疫檢查點抑制劑的推波助瀾下，原本應該走向受控修復的進程，會被失調的 Th1 或 Th17 效應 T 細胞轉化為持續性的類似自體免疫皮膚炎。這種牽涉多重路徑的動態演變，正是單一機制或單一指標無法準確預測風險的根本原因。

結合路徑先驗知識與 AI 影像組學的多模態融合

為突破預測瓶頸，近期研究轉向開發「路徑引導（Pathway-informed）」的 AI 預測模型。純粹基於統計規律的機器學習模型，常因各醫療院所的排程、劑量幾何設計與免疫用藥差異而難以跨院轉移。但若將預測特徵錨定在生物界保守的發炎與損傷路徑上，就能利用可測量的發炎代理指標，將機制異質性轉化為具備臨床操作價值的風險分層。

實務上的多模態融合架構會整合三大核心維度：反映暴露特徵的劑量拓樸學、透過影像組學（Radiomics）量化的組織基線脆弱度，以及代表系統性免疫放大的血液生物標記。影像組學能捕捉肉眼無法察覺的次臨床組織微小變化，而常規血液指標則能提供干擾素或發炎小體活化狀態的動態讀數。

透過演算法學習這些跨域特徵的交互作用，醫療團隊得以將過去定性的臨床觀察轉化為量化指標。這不僅解釋了為何接受幾乎相同劑量分布的病患，在免疫抑制劑介入後會走向完全不同的毒性軌跡，更讓模型在缺乏昂貴多體學（Multi-omics）定序資源的環境下，依然能依賴常規臨床數據保持高效預測能力。

嵌入臨床工作流程與治療期的動態風險追蹤機制

AI 預測模型的真正臨床價值，在於其輸出結果能否無縫嵌入現有的放射與免疫治療工作流程，並觸發具體的預防處置。在治療計畫的前期階段，高風險預測資訊能引導團隊將注意力從粗略的總劑量數據，轉向具備操作彈性的暴露幾何特徵。在不妥協腫瘤覆蓋率的前提下，醫師能針對高風險患者刻意避開皮膚表面的高劑量熱區。

進入療程後，單一次的基準風險評分不足以應付持續演變的免疫反應，動態風險更新（Dynamic risk updating）成為更高影響力的應用模式。皮膚毒性具有可辨識的時間動力學特徵，AI 模型可藉由追蹤患者縱向的症狀軌跡與標準化皮膚評估數據，精準捕捉發炎反應即將加速的關鍵轉折點。

這種提前示警機制能在症狀跨越不可逆的嚴重門檻前，觸發及早的局部外用藥物或全身性抗發炎治療介入。這不僅能大幅減少因嚴重皮膚毒性而導致的非預期回診與治療中斷，更讓風險管理從靜態的歸類，正式演進為伴隨整個療程的即時動態防護網。

突破數據領域偏移與終點異質性的模型泛化挑戰

儘管 AI 賦能的預測展現出重塑療程的潛力，將其規模化部署於常規醫療中仍面臨顯著挑戰。首要障礙是臨床終點異質性（Endpoint heterogeneity），各機構對於「具有臨床意義」的皮膚毒性定義存在落差，部分依賴主觀的序數分級系統，導致模型訓練缺乏統一的標準答案，進而影響演算法的外部驗證表現。

此外，不同醫療單位的免疫療法排序、同步用藥策略，以及放射儀器與影像擷取協定的差異，會產生嚴重的數據領域偏移（Domain shift），這在影像組學特徵上尤為明顯。資料集若未能均衡納入不同膚質、解剖部位與容易摩擦區域的樣本，也極易造成風險估算的嚴重偏差。

為了克服這些限制，未來的技術開發必須建立跨中心的前瞻性標準化資料集，並優先發展低摩擦的臨床數據採集方式。例如，透過患者智慧型手機拍攝標準化照片，結合 AI 自動化量化技術，將能以極低負擔提供連續性的即時影像特徵，為動態風險更新與臨床介入提供最具擴展性的資料基礎。

將皮膚毒性轉化為可動態追蹤的量化數據，AI 多模態模型不僅能精準預測發炎軌跡，更是保障現代癌症複合療法不被中斷的關鍵防線。