机器学习预测模型用于头部放射治疗中的口腔粘膜炎风险:一项初步研究

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 辐射疗法 辐射疗法

背景情况:

• 口腔粘膜炎 (OM) 是头部和部放射治疗的常见和衰弱的副作用.
• 由于多种风险因素的复杂相互作用,预测OM风险具有挑战性.
• 机器学习 (ML) 提供了分析复杂数据集和识别预测模式的高级功能.

研究的目的:

• 评估机器学习 (ML) 算法的有效性,以预测头癌接受放射治疗的患者口腔粘膜炎 (OM) 的风险.
• 为了比较不同ML模型的性能,并没有特征选择.
• 确定最佳的ML模型,用于OM风险预测.

主要方法:

• 分析了157名患有口腔和口腔膜状细胞癌的患者的临床数据.
• 使用了两个数据集版本:一个包含所有数据,另一个包含选定的关键特征 (年龄,吸烟,手术,剂量等). ) 的情况.
• 通过五重交叉验证策略训练了12个模型 (4个算法x3个缩放方法).

主要成果:

• 在完整数据集上训练的模型没有产生相关结果,决策树达到52%的准确性.
• 使用特征选择的模型表现出更好的性能.
• 在特征选择后,K-最近邻居 (KNN) 模型获得了最高的准确性 (64%),灵敏度 (58%) 和特异性 (68%).

结论:

• 机器学习 (ML) 显示出在放射治疗患者中预测口腔粘膜炎 (OM) 风险的巨大潜力.
• 在这种情况下,特征选择对于提高ML模型的性能至关重要.
• 在特征选择后,KNN模型在本研究中成为最有效的OM风险预测模型.