通过无监督机器学习对骨髓质缩的基于集群的毒性估计:通过使用整剂量体积基图谱来超越单剂量参数正常组织并发症概率,用于队列风险分层

科学领域:

• 在瘤学瘤学.
• 辐射瘤学 辐射瘤学
• 医学物理 医学物理

背景情况:

• 目前用于估计下骨骨质放射性瘤 (ORN) 正常组织并发症概率的模型存在局限性.
• 准确的ORN风险评估对于接受放射治疗的头癌患者至关重要.

研究的目的:

• 开发一个临床可靠的ORN风险评估模型.
• 通过利用辐射剂量分布数据的结构性质来丰富统计推断.
• 提供一个包含整个下上辐射剂量分布的模型.

主要方法:

• 在2005年至2015年期间治疗的1259名头癌患者的回顾性分析.
• 使用K-平均集群识别剂量体积图 (DVH) 集群的识别.
• 使用软边缘支向量机器分区剂量体积空间和风险指数计算.

主要成果:

• 在下DVH中,K-means集群识别了6个不同的集群.
• 剂量体积空间被划分为具有不同ORN风险指数的区域.
• 报告的ORN发病率是按辐射前的牙提取状态,这是一个显著的非剂量相关的风险因素.

结论:

• 使用无监督学习方法,在大量患者队列中评估下 ORN 风险.
• 该研究为ORN提供了一个视觉风险评估工具,集成DVH和牙提取状态.
• 这些发现为放射治疗规划中的各种风险水平提供了剂量优化约束.