使用机器学习分类器与辅助数据集的三角放射学,预测在上腺转移的磁共振引导放射治疗期间的疾病进展

科学领域:

• 辐射疗法 辐射疗法
• 医疗成像医学成像
• 在瘤学瘤学.

背景情况:

• 适应性放射疗法根据每天的解剖变化调整治疗.
• 放射学提取了定量成像特征,以潜在地预测临床结果.

研究的目的:

• 调查三角放射学,分析治疗分数之间的瘤体积变化,是否可以预测疾病进展.
• 评估辅助数据集对三角洲放射学模型预测性能的影响.

主要方法:

• 分析了接受除性放射治疗的108名患者 (90名内部,18名外部).
• 德尔塔特征被计算为第一个和最后一个分数中的放射性特征的比率 (F5/F1) 或连接 (F1gadgadgadgadgadgadgadgadgadF5).
• 决策树分类器在辅助数据集和没有辅助数据集的情况下接受了培训和测试.

主要成果:

• 内部培训表明,辅助肺部和胰腺数据集改善了F1的F5模型的接收器操作者特征曲线 (AUC-ROC) 下的区域.
• 使用肺辅助数据的F5/F1模型在内部训练中实现了0.65±0.11的最高AUC-ROC.
• 外部验证显示,使用肺辅助数据时,F5下载F1模型的AUC-ROC为0.70,F5/F1模型的AUC-ROC为0.60.

结论:

• 来自三角洲放射学的决策树模型在外部数据上提供了可解释的预测.
• 这种方法代表了朝着生物适应性放射治疗的潜在步骤,通过利用放射学来预测复发.