臨床情報とCTベースの放射線特性を基に腫瘍の移動の大きさを予測するための機械学習モデル
Xinyu Song1, Lian Duan2, Guangyu Wang3
1Department of Radiation Oncology, Cancer Center, The First Affiliated Hospital, Sun Yat-sen University, Guangzhou, China; Radiotherapy Physics and Technology Center, Cancer Center, West China Hospital, Sichuan University, Chengdu, China.
まとめ
この研究では,臨床データとCT放射能を用いて肺がん腫瘍の動きを正確に予測するハイブリッドの機械学習モデルを開発しました. ハイブリッドモデルは予測の精度と動作管理戦略の分類を大幅に改善しました.
科学分野:
- 医療用イメージング
- 人工知能
- 腫瘍学
背景:
- 肺腫瘍の動きを正確に予測することは 効果的な放射線治療計画に不可欠です
- 伝統的な治療法では 腫瘍の動きの ダイナミックな性質を阻害することが多いのです
- 機械学習は予測能力を高める 有望なアプローチです
研究 の 目的:
- 肺がん腫瘍の運動量を予測するための機械学習モデルを開発し評価する.
- 運動管理戦略の必要性を分類する.
- 臨床,放射性,およびハイブリッドモデルのパフォーマンスを比較する.
主な方法:
- 110人の肺がん患者の臨床およびCTベースの放射線特性を用いてハイブリッド人工ニューラルネットワーク (ANN) モデルを開発した.
- 18の臨床的特徴と1218の放射性特徴が抽出されました.
- 腫瘍の運動幅は4DCTスキャンから計算され,モデルには平均絶対誤差 (MAE),R平方,曲線下の面積 (AUC),感度,および特異性を用いて評価された.
主要な成果:
- ハイブリッドモデルは1.23mmのMAEと0.91のR平方で最高の性能を達成しました.
- 放射学モデル (Rモデル) のみでは,MAEは1.34mm,R2は0.88であった.
- ハイブリッドモデルはAUCと感度1. 00で完璧な分類性能を示した.
結論:
- 臨床データとCT放射学データを統合した機械学習モデルは 肺がん腫瘍の動きを正確に予測できます
- ハイブリッドモデルは 臨床的または放射線学的特徴のみに基づくモデルを大幅に上回ります
- このアプローチは,運動管理戦略の効果的な分類を可能にし,治療計画を改善します.
さらに関連する動画
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
193
