使用基于临床和放射性特征的机器学习模型,预测食道状细胞癌患者接受新辅助化疗辐射的病理完整反应
Jin Wang1, Xiang Zhu2, Jian Zeng3
1Department of Radiation Oncology, Zhejiang Cancer Hospital, Hangzhou Institute of Medicine (HIM), Chinese Academy of Sciences, Hangzhou, China. wangjin@zjcc.org.cn.
European radiology
|July 13, 2023
概括
使用放射性特征的机器学习模型准确地预测食道癌患者的治疗反应. 将放射性评分与临床数据相结合,进一步改善了新辅助化学辐射疗法 (nCRT) 后病理完整反应 (pCR) 的预测.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 预测食道状细胞癌 (ESCC) 治疗反应对于优化治疗至关重要.
- 新辅助化学辐射疗法 (nCRT) 是ESCC的标准治疗方法,但预测患者的反应仍然具有挑战性.
研究的目的:
- 开发和评估机器学习模型,利用CT图像中的放射性特征来预测接受nCRT的ESCC患者的病理完整反应 (pCR).
- 评估模型对原发性瘤pCR (ppCR) 和总pCR (tpCR) 的预测性能.
主要方法:
- 112名接受nCRT和手术治疗的ESCC患者被追溯分析.
- 从治疗前的CT扫描中提取了放射性特征.
- 机器学习模型被训练来预测ppCR和tpCR,并进行特征选择和模型验证.
主要成果:
- 一个结合了放射性特征 (rad-score) 和临床数据的组合模型实现了ppCR预测的AUC为0.891.
- 对于tpCR预测,组合模型显示AUC为0.814.
- 放射性模型显示了对ppCR和tpCR的有希望的预测性能,对ppCR的准确性更高.
结论:
- 基于放射性特征的机器学习模型可以有效预测ESCC患者的治疗反应.
- 结合放射性和临床特征的组合模型为pCR提供了卓越的预测性能.
- 这些发现支持使用放射学来优化ESCC的治疗计划.
