确定头癌治疗相关淋巴结胀的风险和预测因素:使用可解释机器学习和整体特征选择的临床病理学和剂量测量数据挖掘方法

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:

• 淋巴显著影响头癌患者的生活质量.
• 放射治疗 (RT) 数据的高维度和多线性复杂化了淋巴风险预测.
• 强大的特征选择对于开发准确的预测模型至关重要.

研究的目的:

• 开发和验证用于预测HN癌症患者淋巴风险的机器学习 (ML) 模型.
• 使用整体特征选择技术识别淋巴的关键预测因子.
• 通过减少数据维度来提高淋巴预测的准确性.

主要方法:

• 从76个HN治疗计划中对30个处于危险的器官进行轮,包括双边宫淋巴结水平.
• 提取剂量量数据和收集临床病理学数据.
• 应用集体特征选择,然后使用XGBoost和随机森林ML模型进行预测和竞争风险模型进行风险分层.

主要成果:

• XGBoost和随机森林模型在预测外部 (平均F1得分84%,AUC79%) 和内部淋巴 (平均F1得分64%,AUC78%) 中表现强.
• 发现的常见预测因素包括重节点的参与,高辐射剂量到淋巴结水平,以及淋巴结解剖的程度.
• 淋巴结去除的增加与更高的外部淋巴风险相关 (p=0.01).

结论:

• 使用整体特征选择来减少HN RT数据的维度,为淋巴瘤预测提供了有效的ML模型.
• 预测和竞争风险模型确定了淋巴的显著剂量测量和临床病理学预测因素.
• 该方法的支持是与之前报告的临床病理特征的一致性.