对不同的机器学习分类器进行了比较,用于预测由于头部和部放射治疗而引起的异口腔和粘性唾液,使用多目标,多模式放射学模型

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 头癌 (HNC) 的放射治疗会引起显著的毒性.
• 目前的毒性预测模型通常仅依赖于治疗前的成像.
• 机器学习 (ML) 提供了改善毒性预测的潜力.

研究的目的:

• 为了比较ML模型来预测HNC患者的辐射诱导的异口症和粘性唾液.
• 评估CT/MRI特征,人口统计和剂量计数据的实用性.
• 评估对毒性的早期和晚期阶段的预测准确性.

主要方法:

• 使用CT/MRI,人口统计和剂量计的346个特征开发了多式联络放射学模型.
• 员工救援功能选择和八个ML分类器 (XGBoost,MLP,SVM,RF,KNN,NB,LR,DT).使用的
• 使用灵敏度,特异性,AUC和精度评估模型性能.

主要成果:

• 支持矢量机器 (SVM) 在早期粘性唾液和异口症方面实现了最高的AUC (0.77和0.81).
• 在SVM和多层感知器 (MLP) 中,晚期粘性唾液和异口的AUC值 (0.85和0.64) 值得注意.
• 综合功能显著提高了预测能力.

结论:

• 基线CT/MRI特征,剂量测量和人口统计可以预测辐射诱导的异口症和粘性唾液.
• ML技术为个性化HNC治疗规划提供了宝贵的见解.
• 这种方法可以帮助减轻放射治疗期间的毒性.