在NRG瘤学中,可解释的机器学习用于选择与整体存活相关的心肺亚结构的辐射剂量-体积限制RTOG 0617 RTOG 0617

科学领域:

• 在瘤学瘤学.
• 医学物理 医学物理
• 机器学习 机器学习

背景情况:

• 局部晚期非小细胞肺癌 (NSCLC) 治疗涉及放射治疗,其中心肺亚结构 (CPSs) 的剂量-体积约束对患者的结果至关重要.
• 优化这些约束是复杂的,需要先进的分析方法来将特定剂量指标与整体存活率 (OS) 相关联.

研究的目的:

• 采用可解释机器学习 (IML) 来确定NSCLC放射治疗中与OS相关的CPS的最佳剂量-体积约束.
• 利用IML指导治疗决策和控制心脏毒性.

主要方法:

• 利用RTOG 0617中428名NSCLC患者的数据,对各种CPS进行细分并提取剂量体积直方图特征.
• 应用了多块稀疏部分最小平方回归,稳定性选择监督主要组件分析,以及Boruta用于特征选择.
• 训练了一台可解释的增强机器 (EBM),使用对受审查数据的条件生存分布方法,并使用Harrell的C指数对其他生存模型进行性能评估.

主要成果:

• 该EBM确定了预测OS的关键特征:左心房V60Gy (%),心周D30% (Gy),肺-CTV PTV Voverlap (%),右心房V55Gy (%) 和并发化疗.
• 与其他模型相比,EBM表现出优越的OS预测性能 (C指数=0.653).
• 改善OS的最佳约束包括LA_V60Gy < 25.6%,肺-CTV_PTV_Voverlap < 1.1%,心周_D30% < 18.9 Gy,以及RA_V55Gy < 19.5%.

结论:

• 可解释的增强机器在接受放射治疗的NSCLC患者中有效预测OS.
• EBM促进了对CPS的临界剂量-体积约束的选择,有助于控制心脏毒性并改善患者的治疗结果.