相关实验视频
Updated: Jul 16, 2025
Generation of a Mouse Spontaneous Autoimmune Thyroiditis Model
Published on: March 17, 2023
开发和验证一个机器学习模型的辐射诱导的甲状腺功能低下症与临床和剂量-体积的特征
Mu-Hung Tsai1, Joseph T C Chang2, Hsi-Huei Lu3
1Institute of Computer Science and Information Engineering, National Cheng Kung University, Tainan, Taiwan; Department of Radiation Oncology, National Cheng Kung University Hospital, College of Medicine, National Cheng Kung University, Tainan, Taiwan.
机器学习模型准确地预测了头癌患者的辐射诱导甲状腺功能低下 (RIHT) 风险. 这些模型的性能优于传统方法,即使是简化的输入,也有助于治疗规划.
科学领域:
- 在瘤学瘤学.
- 辐射疗法 辐射疗法
- 医学物理 医学物理
背景情况:
- 辐射诱导的甲状腺功能低下症 (RIHT) 是头癌患者经常出现的晚期并发症.
- 目前对RIHT的风险预测和剂量限制缺乏共识.
- 准确的预测对于减轻长期副作用至关重要.
研究的目的:
- 开发和评估用于预测RIHT风险的机器学习 (ML) 模型.
- 将ML模型的性能与传统的正常组织并发症概率 (NTCP) 模型进行比较.
- 评估ML模型在临床放射治疗规划中的实用性.
主要方法:
- 从两个机构进行鼻或口癌放射治疗的患者的回顾性分析.
- 使用临床和剂量体积特征开发ML模型.
- ML模型的内部和外部验证,与已建立的NTCP模型进行比较.
主要成果:
- 机器学习模型在传统NTCP模型中表现出优越的性能,由较低的Brier分数证明.
- 仅使用甲状腺剂量-体积特征的简化ML模型也超过了NTCP模型.
- 在内部交叉验证和外部验证队列中观察到一致的表现.
结论:
- 开发的ML模型提供了准确的RIHT风险预测,优于现有的方法.
- 简化的ML模型为集成到治疗计划系统提供了一个可行的选择.
- 这些进展支持用于头癌的放射治疗中的生物优化.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020