基于放射性和剂量学的基准,预测宫癌患者的II-IV级骨髓抑制
Yanchun Tang1,2, Yaru Pang1, Jingyi Tang1,2
1Department of Radiation Oncology, The First Affiliated Hospital of Nanjing Medical University, Nanjing, Jiangsu, China.
Frontiers in oncology
|December 13, 2024
概括
这项研究开发了一种机器学习模型,将临床数据,放射学和剂量学结合起来,以预测接受放射治疗的宫癌患者的骨髓抑制 (BMS). 综合模型显示出高诊断价值,优于仅使用临床或放射性数据的模型.
科学领域:
- 在瘤学瘤学.
- 辐射疗法 辐射疗法
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 接受放射治疗的宫癌患者有骨髓抑制 (BMS) 的风险.
- 预测BMS对于优化治疗和患者结果至关重要.
- 整合不同的数据源可能会提高预测准确度.
研究的目的:
- 开发和评估一种机器学习模型,用于预测宫癌患者的2级或更高BMS.
- 评估整合临床特征,放射学和剂量学的预测效用.
- 将综合模型的性能与使用单个数据类型的模型进行比较.
主要方法:
- 追溯分析了106名宫癌患者的临床数据,CT图像和放射治疗计划.
- 从骨盆骨髓 (PBM) 提取放射性和剂量学特征.
- 使用后勤回归,LASSO和ROC曲线分析开发预测模型,整合临床,放射性 (R-score) 和剂量学 (D-score) 数据.
主要成果:
- 七个放射性和八个剂量性特征与BMS相关联.
- 年龄,计划目标体积 (PTV) 大小和化疗被确定为临床预测因素.
- 组合模型比临床DVH R-score和临床DVH模型获得更高的AUC值 (0.751训练,0.743测试),具有更好的校准和净临床益处.
结论:
- 开发的组合模型表明,在放射治疗期间,在宫癌患者中预测BMS具有显著的诊断价值.
- 临床,放射性和剂量学数据的整合为BMS预测提供了一个强大的方法.
- 这种方法可以帮助个性化的放射治疗规划和管理.
