机器学习用于预测临床医生对左侧全乳腺辐射疗法的治疗计划的评估
Christian Fiandra1, Federica Cattani2, Maria Cristina Leonardi3
1Department of Oncology, University of Turin, Turin, Italy.
Advances in radiation oncology
|July 5, 2023
概括
机器学习模型准确地预测临床医生对乳腺放射治疗计划的批准. 该工具可以通过识别可能在没有进一步调整的情况下被批准的计划来帮助优化治疗计划.
科学领域:
- 辐射瘤学 辐射瘤学
- 医学物理 医学物理
- 医疗保健中的机器学习
背景情况:
- 对左侧乳腺癌的放射治疗计划需要仔细优化,以平衡瘤覆盖和危险器官节省.
- 临床医生的批准是一个关键的终点,但手动审查许多治疗计划可能是耗时的.
研究的目的:
- 评估机器学习模型在预测临床医生批准放射治疗治疗计划方面的有效性.
- 评估模型预测计划是否需要进一步规划或是否被批准的能力.
主要方法:
- 两百四十个治疗计划 (120个手动,120个自动化) 用于左侧全乳房辐射疗法与增强被追溯分析.
- 临床医生评估计划,并训练机器学习分类器 (随机森林和物流回归) 使用剂量计参数来预测这些评估.
主要成果:
- 虽然所有计划在临床上都是可以接受的,但只有71.5%的计划得到了直接批准.
- 机器学习模型实现了高预测准确度 (高达87.2%) 和AUC (高达0.86).
- 整个乳房的规划目标体积 (PTV40.05Gy) 和其剂量覆盖率 (D95%) 是临床医生批准的关键预测因素.
结论:
- 机器学习在预测临床医生批准放射治疗计划方面显示出重大前景.
- 这种预测工具可以简化治疗计划过程,提高效率,并可能减少延迟.
- 整合非剂量测量特征可能进一步提高模型性能.
