基准机器学习方法用于预测肺癌患者的辐射诱导毒性

科学领域:

• 在瘤学瘤学.
• 辐射疗法 辐射疗法
• 机器学习 机器学习

背景情况:

• 在接受放射治疗的肺癌患者中,辐射诱导的毒性很常见.
• 准确预测这些不良事件对于患者和瘤学家的明智决策至关重要.
• 预测毒性有助于患者平衡治疗影响与生活质量.

研究的目的:

• 为了对机器学习 (ML) 方法进行基准测试,以预测肺癌患者的放射治疗引起的毒性.
• 开发和验证一种可通用的方法,用于在现实世界健康数据上实施ML模型.
• 评估各种ML模型在预测特定毒性的性能.

主要方法:

• 结合了十种特征选择方法与五种ML分类器,创建了300个预测模型.
• 经过训练和验证的模型使用875名肺癌患者的现实健康数据集.
• 使用曲线下的面积 (AUC) 评估模型性能,在六个毒性终点上进行内部和外部验证.

主要成果:

• 顶级预测模型实现了高性能,在内部验证时AUC≥0.81.
• 外部验证显示,在6种预测中的5种毒性中,其表现强 (AUC ≥ 0.73).
• 确定了未被认可的临床因素与急性食道炎或慢性呼吸障碍之间的潜在联系.

结论:

• 一个300ML方法的基准证明了对现实数据的令人满意的预测性能.
• 可通用的方法方便了ML模型的实施和外部验证.
• 机器学习方法显示出产生关于毒性发展的新型数据驱动假设的潜力.