用立体射线手术治疗的大脑转移患者的生存预测:一种混合机器学习方法

科学领域:

• 在瘤学瘤学.
• 辐射疗法 辐射疗法
• 机器学习 机器学习
• 生物统计学 生物统计学

背景情况:

• 准确的生存预测对于接受立体辐射疗法 (SRT) 的大脑转移患者个性化治疗计划至关重要.
• 目前的预测方法可能缺乏最佳临床决策所需的精度.
• 开发先进的计算工具可以显著改善患者结果管理.

研究的目的:

• 开发和评估一种机器学习模型,用于精确估计SRT治疗的大脑转移患者的生存时间.
• 为了比较多个机器学习算法的性能,包括XGBoost,CatBoost,随机森林和梯度提升.
• 确定用于预测患者存活率的临床应用最有效的算法.

主要方法:

• 使用SRT治疗的大脑转移患者的真实世界数据,采用混合机器学习方法.
• 四个算法 (XGBoost,CatBoost,随机森林,梯度提升) 在一个元模型框架内进行了比较.
• 模型性能经过严格评估,使用平均平方误差 (MSE),平均绝对误差 (MAE),平均绝对百分比误差 (MAPE) 和C指数.

主要成果:

• XGBoost 模型表现出卓越的性能,实现了 0.14% 的 MSE, 0.10% 的 MAE 和 0.093% 的 MAPE,具有 100% 的 C 指数.
• CatBoost表现中等,而梯度提升表现出更高的错误率 (MSE: 6.99%,MAE: 21.04%,MAPE: 19.29%).
• 随机森林产生了最弱的结果,具有最高的错误指标 (MSE: 14.39%,MAE: 30.23%,MAPE: 33.58%).

结论:

• 机器学习模型,特别是基于XGBoost的混合方法,为SRT后的大脑转移患者提供了高度准确的生存预测.
• 这些预测通过提供对患者预期结果的精确见解来增强临床决策.
• 将这些机器学习工具集成到临床实践中,可以优化治疗规划和个性化护理,以改善患者的治疗结果.