空间意识的集群改善了AJCC-8风险分层表现在口腔癌

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 人类乳头瘤病毒阳性口腔癌 (HPV+OPC) 治疗依赖于准确的预后模型.
• 当前的模型在预测生存和毒性方面往往缺乏准确性.
• 包括疾病位置和淋巴结传播在内的空间信息在现有的预测工具中未得到充分利用.

研究的目的:

• 评估整合空间数据的机器学习工具,以预测HPV+OPC的生存率和毒性.
• 评估将疾病位置和淋巴结转移模式纳入预测模型的有效性.
• 为了确定这些模型是否可以改进现有的临床分期方法.

主要方法:

• 对675名HPV+OPC患者的回顾性分析,这些患者接受IMRT治疗.
• 使用放射测量数据和淋巴结转移模式的等级分类来开发风险分层.
• 将这些分层与Cox和后勤回归模型中的临床特征相结合,用于生存和毒性预测.
• 在独立的培训和验证集上使用曲线下的面积 (AUC) 评估模型性能.

主要成果:

• 确定了四个不同的患者群体,并形成了三级分层.
• 包括数据驱动分层在内,可持续改善模型性能 (AUC) 预测5年总生存率 (OS),无复发生存率 (RFS) 和与辐射相关的缺食症 (RAD).
• 与单独临床共变量相比,AUC的改善为OS的9%,RFS的18%,RAD的7%. 与临床和AJCC共变量相比,OS,RFS和RAD的改善分别为7%,9%和2%.

结论:

• 数据驱动的患者分层显著提高了HPV+OPC的生存和毒性的预后准确性.
• 这些基于机器学习的分层,与仅仅临床阶段和共变量相比,提供了更好的预测.
• 已识别的分层表现出普遍性,并包含足够的信息来复制.