预测肺癌中的辐射肺炎:基于EUD的机器学习方法,用于体积调制弧线治疗患者
Fengsong Ye1, Lixia Xu2,3, Yao Ren2,3
1Department of Tumor Radiotherapy and Chemotherapy, Lishui People's Hospital, Lishui, China.
Frontiers in oncology
|February 15, 2024
概括
使用肺等效均剂量 (肺EUD) 的决策树模型有效预测接受VMAT的肺癌患者的辐射肺炎 (RP). 这种方法比预测RP发生的传统方法提供了更好的准确性.
科学领域:
- 辐射瘤学 辐射瘤学
- 医学物理 医学物理
- 机器学习在医学中的应用
背景情况:
- 肺癌辐射疗法 (RT) 的进展,如体积调制弧线疗法 (VMAT),增加了预测治疗副作用的复杂性,如辐射肺炎 (RP).
- 传统的正常组织并发症概率 (NTCP) 模型在准确捕捉剂量效应关系方面面临挑战,原因是自由度增加和关于变量独立性的假设.
研究的目的:
- 开发和确定一种最佳的机器学习 (ML) 模型,用于预测使用VMAT治疗的肺癌患者的辐射肺炎 (RP) 发生情况.
- 与传统剂量计参数相比,评估肺等效均剂量 (肺EUD) 和其衍生的NTCP模型的预测性能.
主要方法:
- 对77名局部晚期状细胞肺癌患者的分析,这些患者接受了VMAT和并发化疗放射治疗.
- 使用剂量体积组图数据计算肺EUD值,并确定最佳α参数.
- 使用物理剂量指标的单变量和多变量分析,肺EUD,Lyman-Kutcher-Burman (LKB) NTCP和肺EUD校准的NTCP进行预测能力的比较.
- 开发和评估ML模型 (MLR,SVM,DT,KNN) 使用曲线下的面积 (AUC) 作为性能指标.
主要成果:
- 肺EUD的最佳α值被确定为0.3,最大限度地提高了RP 2+和非RP 2+组之间的差异.
- 与基于LKB的NTCP相比,基于肺EUD的NTCP模型对受影响的和整个肺的预测性能表现优异 (AUC:分别为0.862和0.815).
- 结合基于肺EUD的预测器的决策树 (DT) 模型在训练和验证数据集中实现了最高的预测准确度,AUC为0.98.
结论:
- 肺部EUD,特别是α值为0.3,是VMAT治疗肺癌患者辐射肺炎的重要预测因子.
- 机器学习模型,特别是决策树,利用基于肺EUD的预测器,为RP预测提供了一个高度准确和潜在的更简单的替代方案,而不是传统的剂量参数.
- 这项研究倡导采用DT模型与肺EUD预测因子,以加强RP风险评估在VMAT肺癌治疗中.
