一种机器学习方法用于预测放射诱导的甲状腺功能低下症在接受断层治疗的鼻癌患者
Ke-Run Quan1, Wen-Rong Lin2, Jia-Biao Hong2
1Department of Radiation Oncology, Xiangtan Central Hospital, Xiangtan, 411100, Hunan, China.
Scientific reports
|April 10, 2024
概括
结合临床,DVH,放射学和剂量学特征的新综合模型准确地预测了用断层治疗的鼻癌患者的辐射诱导性甲状腺功能低下症 (RIHT),从而改善了早期检测.
科学领域:
- 辐射瘤学 辐射瘤学
- 医学物理 医学物理
- 内分泌学 在内分泌学.
背景情况:
- 用断层疗法治疗鼻癌 (NPC) 可能导致辐射诱导的甲状腺功能低下症 (RIHT).
- 早期预测RIHT对于及时干预和管理至关重要.
研究的目的:
- 开发和验证在接受断层治疗的NPC患者中RIHT的综合预测模型.
- 结合临床,剂量体积图谱 (DVH),放射学和剂量学特征,以提高预测准确度.
主要方法:
- 分析了219名NPC患者的队列,这些患者接受了断层治疗.
- 数据包括临床信息,DVH指标,放射学和剂量学特征.
- 最小绝对收缩和选择操作员 (LASSO) 回归和极端梯度提升 (XGBoost) 用于特征选择和模型训练.
- 用接收器操作特征 (ROC) 曲线和决策曲线分析来评估模型性能.
主要成果:
- 组合模型在测试队列中实现了0.842的曲线下面积 (AUC),超过了基于单个特征类型的模型.
- 临床,DVH,放射学和剂量学模型的AUC分别为0.798,0.673,0.714和0.698.
- 决策曲线分析表明,组合模型的临床效用优越.
结论:
- 结合多种数据类型的综合预测模型为RIHT预测后断层疗法提供了卓越的性能.
- 这种多特征的方法可以早期识别患有RIHT风险的患者,从而促进主动管理.
