辐射肺炎的综合预测模型包含使用机器学习的遗传和临床病理因素
Seo Hee Choi1, Euidam Kim2, Seok-Jae Heo3
1Department of Radiation Oncology, Yonsei Cancer Center, Heavy Ion Therapy Research Institute, Yonsei University College of Medicine, Seoul, Republic of Korea.
Clinical and translational radiation oncology
|August 20, 2024
概括
一个新的机器学习模型预测肺癌患者的严重辐射肺炎 (RP). 整合遗传数据,包括BMP2rs1979855,与临床因素显著提高了预测准确度.
科学领域:
- 在瘤学瘤学.
- 辐射疗法 辐射疗法
- 遗传学 是一个遗传学.
- 机器学习 机器学习
背景情况:
- 辐射性肺炎 (RP) 是肺癌放射治疗中显著的剂量限制毒性.
- 预测严重的RP对于优化治疗计划和患者的治疗结果至关重要.
研究的目的:
- 开发一种机器学习 (ML) 模型,用于预测肺癌患者的严重辐射肺炎 (RP).
- 整合临床病理学,剂量计和遗传因素,特别是TGF-β1通路中的单核酸多态 (SNP),以提高预测.
主要方法:
- 59名正在接受放射治疗的肺癌患者的潜在招募.
- 对治疗前血液样本,临床病理/剂量计变量以及TGFβ通路基因中的11个功能性SNP的分析.
- 使用合成少数人过量采样技术 (SMOTE) 和嵌套交叉验证,通过多种方法选择特征的ML模型的开发.
主要成果:
- 严重的RP发生在20.3%的患者中.
- 确定了关键预测因素:年龄 (>66岁),吸烟史,PTV体积 (>300厘米),以及BMP2的AG/GG基因型rs1979855.5.
- 与单独的临床病理变量相比,整合基因组数据显著改善了曲线下的面积 (AUC) (0.822对0.741,p=0.029).
结论:
- 一个强大的基于ML的RP预测模型已经成功开发出来.
- 年龄,吸烟史,PTV体积和BMP2 rs1979855基因型是严重RP的重要预测因素.
- 纳入SNP数据可以提高RP预测准确度,超越传统的临床病理因素.
