预测瘤动态后阶段的GKRS:机器学习模型在大脑转移中的预后
Ana-Maria Trofin1, Călin Gh Buzea2,3, Răzvan Buga1,2
1University of Medicine and Pharmacy "Grigore T. Popa" Iași, 700115 Iasi, Romania.
Diagnostics (Basel, Switzerland)
|June 27, 2024
概括
机器学习模型预测了马刀放射手术 (GKRS) 后的大脑瘤动态. 支持矢量机 (SVM) 在调整后实现了98%的准确性,在预测治疗结果方面表现优于其他模型.
科学领域:
- 在瘤学瘤学.
- 放射性外科手术是如何进行的
- 机器学习 机器学习
背景情况:
- 大脑转移 (BM) 治疗需要准确预测瘤动态.
- 玛刀放射性手术 (GKRS) 是一种常见的治疗方式,用于BM.
- 评估用于预测治疗后瘤行为的机器学习模型至关重要.
研究的目的:
- 评估和比较6个机器学习模型和1D卷积神经网络 (CNN) 的预测性能,用于在GKRS后三个月内预测瘤动态.
- 评估超参数调整对模型性能的影响.
- 确定影响治疗结果预测的关键特征.
主要方法:
- 利用了77名接受GKRS的脑转移患者的数据.
- 评估了6个机器学习模型和1D CNN.
- 在超参数调整前后使用精度,AUC和混矩阵指标评估模型性能.
- 分析了不同模型中的特征重要性.
主要成果:
- 1D CNN实现了98%的准确性和0.97的AUC.
- 在调整之前,XGBoost显示了最高的精度 (0.95) 和AUC (0.95).
- 在调整后,支持矢量机 (SVM) 以 0.98 准确度和 0.98 AUC.表现出最佳性能.
- 调整后XGBoost的性能下降,这表明可能会出现过度装配.
- 关键的预测特征包括"一年后的控制"",患者的年龄"和"V1处理量的光束启动时间".
结论:
- 模型选择和超参数调整对于在GKRS后准确预测瘤动态至关重要.
- SVM和CNN模型显示了预测BM患者治疗结果的巨大潜力.
- 与长期控制,患者人口统计和治疗参数相关的特征是重要的预测因素.
- 由于小队列规模和单一机构数据,需要进一步的多中心研究.
