在头癌中进行质子放射治疗后,使用集体机器学习开发放射性皮肤炎的风险预测模型
Tsair-Fwu Lee1,2,3, Yen-Hsien Liu1, Chu-Ho Chang1
1Medical Physics and Informatics Laboratory of Electronics Engineering, National Kaohsiung University of Science and Technology, No.415, Jiangong Rd., Sanmin Dist,, Kaohsiung, 807, Taiwan (ROC).
Radiation oncology (London, England)
|June 24, 2024
概括
集成机器学习模型,特别是XGBoost,在接受质子放射治疗的头癌患者中准确预测辐射皮炎 (RD). 这些先进的方法为复杂的医学预测提供了比传统的后勤回归更高的性能.
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:
- 放射性皮肤炎 (RD) 是头癌放射治疗的常见副作用.
- 准确预测RD对于个性化治疗计划和减轻不良事件至关重要.
- 传统的预测模型往往缺乏复杂的临床场景所需的精度.
研究的目的:
- 开发和评估一套基于机器学习 (EML) 的 RD 风险预测模型.
- 将EML模型的预测性能与传统的物流回归 (LR) 进行比较.
- 在头癌患者中确定RD的关键临床和剂量测量预测因素.
主要方法:
- 分析了57名头癌患者的数据,这些患者接受了强度调节的质子疗法.
- 包括11个临床和9个剂量计参数.
- 使用LASSO进行特征选择,并使用后勤回归,随机森林和XGBoost进行模型开发.
主要成果:
- 确定了六个关键预测因素,包括吸烟史和剂量参数.
- XGBoost实现了0.890的最高曲线下面积 (AUC),证明了卓越的预测性能.
- SHAP值证实了临床和剂量计因素在RD预测中的重要性.
结论:
- 与LR相比,EML方法,特别是XGBoost,提供更高的预测准确性和 RD的特征选择.
- 由于其精度和更广泛的适用性,EML模型更适合复杂的医疗预测任务.
- 建议EML用于进一步的研究和在放射瘤学中的临床应用.
