使用机器学习算法分析头癌患者放射治疗引起的甲状腺功能低下并发症
Tsair-Fwu Lee1,2,3,4,5, Shen-Hao Lee1,2, Chin-Dar Tseng6,7
1Medical Physics and Informatics Laboratory of Electronic Engineering, National Kaohsiung University of Science and Technology, Kaohsiung, 80778, Taiwan.
Scientific reports
|November 6, 2023
概括
机器学习在头癌患者的放射治疗后准确预测甲状腺损伤. 关键预测因素包括年龄,甲状腺体量和辐射剂量,有助于对放射治疗并发症的临床决策.
科学领域:
- 在瘤学瘤学.
- 医学物理 医学物理
- 数据科学数据科学数据科学
背景情况:
- 头癌的放射治疗可能会导致甲状腺损伤.
- 预测和减轻这些并发症对于患者的治疗结果至关重要.
研究的目的:
- 确定放射治疗后甲状腺损伤的关键预测因素.
- 评估机器学习算法在预测这些并发症方面的准确性.
主要方法:
- 利用决策树 (DT),随机森林 (RF) 和支持矢量机 (SVM) 算法.
- 分析了137名头癌患者的数据,考虑了年龄,甲状腺体体积和辐射剂量参数 (例如V50,V60) 等因素.
- 采用十倍交叉验证用于算法优化和预测器选择.
主要成果:
- 确定了年龄,甲状腺体积,平均剂量,V50和V60作为重要的预测因素.
- 年龄和甲状腺体积与甲状腺损伤风险有负相关性.
- 平均剂量,V50和V60表明与甲状腺损伤风险有正相关性.
- 随机森林 (RF) 实现了最高的预测精度 (ACC) 82.4%和AUC 0.827.
结论:
- 五个关键预测因素 (年龄,甲状腺体积,平均剂量,V50,V60) 在放射治疗后显著影响甲状腺功能低下的风险.
- 射频算法为预测放射治疗引起的甲状腺功能障碍提供了一个高度准确的工具.
- 这种预测模型可以帮助医疗决策管理放射治疗并发症.
