基于机器学习的放射学模型来预测放射治疗诱导的乳腺癌心脏毒性

科学领域:

• 在瘤学瘤学.
• 放射疗法是一种放射治疗.
• 心脏病学 心脏病学
• 人工智能的人工智能

背景情况:

• 心脏毒性是乳腺癌治疗的一个重要问题,影响患者的治疗结果.
• 对幸存者来说,平衡治疗益处与心脏损伤至关重要.
• 对心脏毒性缺乏有效的风险分层策略.

研究的目的:

• 通过机器学习研究心脏毒性的预测.
• 整合放射学,临床和剂量测量特征,以改善预测.

主要方法:

• 心声扫描评估了83名乳腺癌患者治疗后的心脏毒性.
• 收集了心脏剂量体积组图,人口统计,临床和放射性数据.
• 通过交叉验证开发和验证机器学习模型.

主要成果:

• 58%的患者在治疗6个月后出现心脏毒性.
• 左心室喷射分数和全球纵向应变显著下降.
• 预测模型在结合特征时达到高达97%的AUC.

结论:

• 结合临床和成像特征的机器学习模型可以改善心脏毒性预测.
• 剂量描述符与临床和成像数据相结合是有益的.
• 这种方法有助于改善乳腺癌患者的风险分层.