深度学习模型的特征重要性分析,用于预测子宫癌患者晚期膀毒性发生的情况
Wonjoong Cheon1, Mira Han2, Seonghoon Jeong1
1Proton Therapy Center, National Cancer Center, Goyang-si 10408, Republic of Korea.
Cancers
|July 14, 2023
概括
一种深度学习 (DL) 模型准确地预测了接受放射治疗的宫癌患者晚期膀毒性. 这种人工智能方法比传统方法提供了更高的性能,有可能改善患者的治疗结果并减少并发症.
科学领域:
- 在瘤学瘤学.
- 医学物理 医学物理
- 人工智能的人工智能
背景情况:
- 晚期膀毒性对于接受子宫癌终极放射治疗的患者来说是一个重大问题.
- 准确预测这种毒性对于优化治疗计划和最大限度地减少不良影响至关重要.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于预测晚期膀毒性.
- 将DL模型的性能与传统的多变量物流回归模型进行比较.
主要方法:
- 通过对281名宫癌患者的数据进行DL模型训练,利用包括患者,瘤,治疗和剂量参数在内的16个特征.
- 用准确度,预测,回忆,F1得分和接收器操作特征曲线 (AUROC) 下的面积来评估模型性能.
- 对模型的可解释性计算了变换特征的重要性,从而开发了一种轻量级的DL模型,专注于前五个特征.
主要成果:
- DL模型显著优于多变量逻辑回归模型,F1得分为0.76和AUROC分别为0.81与0.14和0.43相比.
- 确定的主要预测特征包括膀剂量 (BD2cc,BD5cc) 和ICRU膀点.
- 一个轻量级的DL型号实现了更高的性能,F1得分为0.90,AUROC为0.91.
结论:
- 与统计方法相比,深度学习模型在预测晚期膀毒性方面表现出更高的有效性.
- 模型的解释性强调了特定的膀剂量参数的重要性.
- 这些DL模型具有显著的潜力,可以提高患者护理,减少放射瘤学中与治疗相关的并发症.
