一种机器学习方法,用于预测脑干听力响应在头部和部放射治疗后的患者
Sepideh Amiri1, Fatemeh Abdolali2, Ali Neshastehriz3
1Department of Computer Sciences, University of Copenhagen, Copenhagen, Denmark.
Journal of cancer research and therapeutics
|October 3, 2023
概括
机器学习模型有效地利用头癌患者CT扫描中的放射性特征预测辐射诱导的耳毒性. 随机森林模型在预测这种常见的副作用方面显示了最高的准确性.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医疗成像医学成像
背景情况:
- 头癌的放射治疗 (RT) 可能导致耳毒性,这是影响患者生活质量的重大副作用.
- 听觉脑干反应 (ABR) 用于评估听觉功能和检测耳毒性.
研究的目的:
- 评估机器学习 (ML) 模型的预测能力,这些模型利用放射性特征对接受RT的头癌患者的耳毒性进行评估.
- 确定最有效的ML模型来预测辐射诱导的耳毒性.
主要方法:
- 50名接受头RT的患者进行了ABR测试.
- 从脑干的计算机断层扫描 (CT) 图像中提取了放射性特征,以创建放射性签名.
- 六个ML模型使用包括精度,灵敏度,特异性,AUC和平均交叉验证在内的指标进行了评估.
主要成果:
- 在50名患者中,有21名患者出现了耳毒性.
- 从细分的大脑干区域提取了140个放射性特征.
- 随机森林ML模型实现了77%的最高预测准确度.
结论:
- 通过ML分析的放射性特征表明,预测辐射诱导的耳毒性具有显著的潜力.
- 建议进行更大规模的研究,以进一步验证和提高这些模型在临床应用中的预测准确性.
