在NTCP建模中比较监督和半监督机器学习方法,以预测头癌患者的并发症
I Spiero1, E Schuit1, O B Wijers2
1Julius Center for Health Sciences and Primary Care, University Medical Center Utrecht, Utrecht University, Utrecht, the Netherlands.
Clinical and translational radiation oncology
|October 12, 2023
概括
通过半监督学习添加未标记的患者数据并没有改善头癌患者的正常组织并发症概率 (NTCP) 模型. 监督模型仍然是预测辐射引起的毒性,如口腔干燥和吞困难的首选.
科学领域:
- 在瘤学瘤学.
- 医学物理 医学物理
- 生物统计学 生物统计学
背景情况:
- 头癌 (HNC) 的放射治疗经常导致辐射诱导的毒性.
- 正常组织并发症概率 (NTCP) 模型使用患者,瘤,治疗和剂量数据预测这些毒性.
- 目前的NTCP模型使用监督方法,丢弃了有价值的未标记的患者数据.
研究的目的:
- 评估是否通过半监督建模将未标记的患者数据纳入NTCP模型的预测性能.
- 将半监督的自我训练与监督的回归方法进行比较,包括那些通过链式方程 (MICE) 进行多重归算的方法.
- 在HNC患者中评估异口症和缺口症模型的性能.
主要方法:
- 开发并比较半监督 (自我训练) 和监督回归模型.
- 使用了750名HNC患者的发展队列,并在395名患者的单独队列中得到验证.
- 在治疗后六个月使用歧视和校准指标来评估模型的表现,以检测治疗后六个月的异口症和异口症.
主要成果:
- 无论是MICE还是自我培训,都没有比现有的回归模型提高外部验证性能 (歧视或校准).
- 无论使用多少标记数据,模型性能都保持一致.
- 与后勤模型相比,斜坡回归模型在预测缺食症方面表现优越.
结论:
- 半监督方法 (自我训练,MICE) 对HNC患者的NTCP建模没有显著的优势.
- 目前,监督回归模型是这种患者群体中NTCP预测的首选.
- 可能需要进一步的研究来探索利用NTCP建模中未标记数据的替代方法.
