基于机器学习的放射学用于预测同时接受化疗或放射治疗的宫癌患者的结果
Wang Xin1, Su Rixin1, Li Linrui1
1Department of Radiology, The First Affiliated Hospital of Anhui Medical University, Hefei, 230022, Anhui, China.
Computers in biology and medicine
|May 27, 2024
概括
机器学习放射学准确地预测了接受化疗放射治疗的局部晚期宫癌 (LACC) 患者的生存率. 结合瘤和周围区域的数据,可以提高无病存活率 (DFS) 和整体存活率 (OS) 的预测.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
背景情况:
- 局部晚期宫癌 (LACC) 在治疗和生存预测方面提出了重大挑战.
- 同时化疗放射治疗 (CCRT) 是一种标准治疗,但预测结果对于个性化治疗至关重要.
研究的目的:
- 评估基于机器学习的放射学在预测接受CCRT的LACC患者无病生存期 (DFS) 和整体生存期 (OS) 的有效性.
- 为了确定是否结合主瘤及其周围区域的放射特征可以提高预测准确度.
主要方法:
- 对700名用CCRT治疗的LACC患者进行了回顾性分析.
- 从主要病变和周围5mm区域的T2WI序列中提取3D放射学特征.
- 使用六种机器学习算法开发和验证放射学模型.
- 使用TCGA和GEO数据库探索潜在机制.
主要成果:
- 随机生存森林 (RSF) 模型,结合瘤和周围瘤放射学,显示出高AUC值用于预测1,3年和5年的DFS.
- 梯度增强机 (GBM) 模型在预测具有高AUC值的操作系统方面表现强.
- 差异基因分析发现KDELR2和HK2可能与基于放射学的生存预测有关.
结论:
- 机器学习放射学模型有效预测CCRT治疗的LACC患者的DFS和OS.
- 从瘤及其周围区域整合放射性信息,可以获得卓越的预测性能.
- 这些模型为优化宫癌管理中的治疗决策提供了可靠的基础.
