多中心放射学用于预测头部和部癌症激进放射治疗后的复发:特征选择的后果,机器学习分类器和批量效应协调

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学瘤学.
• 机器学习在医学中的应用

背景情况:

• 放射学模型往往缺乏可复制性和通用性,因为单一机构的数据有限.
• 开发可靠的模型来预测头癌的局部区域复发是至关重要的.

研究的目的:

• 开发和评估放射学模型,以预测头癌放射治疗后两年内局部区域性复发.
• 评估模型对特征选择,机器学习算法,中心效应协调和数据集大小的响应能力,使用合并的私人和公共数据集.

主要方法:

• 利用了来自562名患有局部晚期头癌的患者在四个数据集 (两个公共,两个私人) 的数据.
• 在临床轮上使用Pyradiomics提取了放射性特征;应用了ComBat协调.
• 构建并评估了后勤回归 (LR) 和支向量机 (SVM) 模型,通过启动的曲线下面面积 (AUC) 评估性能.

主要成果:

• 特征选择方法 (LASSO,SelectKBest) 确定了重叠的特征集.
• 对于LR和SVM,ComBat协调改善了模型性能.
• 聚合的多机构数据,特别是使用SVM,显著优于单一队列模型 (AUC 0.680与0.562-0.629).

结论:

• 多机构数据突出显示了影响放射学模型性能的变异性.
• 未来,多机构研究和数据共享对于临床相关的头癌预后至关重要.