在鼻癌患者中使用深度学习模型预测辐射诱导的甲状腺功能低下症

科学领域:

• 在瘤学瘤学.
• 辐射疗法 辐射疗法
• 医疗信息学 医疗信息学

背景情况:

• 辐射诱导的甲状腺功能低下症 (RIHT) 是鼻癌 (NPC) 治疗后经常出现的并发症.
• 准确预测RIHT对于及时干预和改善患者结果至关重要.
• 这项研究的重点是开发NPC患者RIHT的预测模型.

研究的目的:

• 开发和验证一种深度学习生存分析模型,用于预测NPC患者的RIHT.
• 将深度学习模型的性能与传统的机器学习和统计模型进行比较.

主要方法:

• 对535名NPC患者 (2015年1月 - 2020年10月) 的回顾性分析.
• 使用考克斯回归,LASSO-Cox和斯皮尔曼相关性来识别预测因素.
• 训练并比较DeepSurv,其他深度学习,机器学习,Cox和NTCP模型,使用C指数,Brier分数和决策曲线分析.

主要成果:

• RIHT发生率为41.7%,中位数发病时间为15个月.
• AJCC N 阶段,甲状腺体积和剂量-体积参数 (V30,V50) 是显著的预测因素.
• 与传统模型 (≤0.63) 相比,DeepSurv模型实现了优异的预测性能 (C指数:0.75),特别是随着时间的推移.

结论:

• 在NPC患者中,DeepSurv模型显示RIHT的卓越预测准确性.
• 深度学习为RIHT的个性化管理和风险减轻提供了潜力.
• 将这些模型整合到临床实践中可以显著有利于RIHT管理.