协调对使用MRI放射学和机器学习技术进行放射治疗后头癌症并发症预测的影响
Benyamin Khajetash1, Ghasem Hajianfar2, Amin Talebi3
1Department of Medical physics, Iran University of Medical Sciences, Tehran, Iran.
Medical physics
|March 31, 2025
概括
数据协调显著改善了放射学模型,用于预测头癌患者的放射治疗副作用. 这项技术提高了使用MRI数据的机器学习模型的准确性,从而改善了患者的护理.
科学领域:
- 放射学和医学成像技术
- 机器学习在瘤学中的应用
- 头部和部癌症 治疗 治疗
背景情况:
- 扫描仪的变化限制了放射学模型的可复制性和通用性.
- 数据协调对于开发可靠的基于放射学结果预测模型至关重要.
研究的目的:
- 评估数据协调对机器学习放射学模型的影响.
- 在头癌患者中预测放射治疗诱导的毒性 (唾液和口).
- 利用T1和T2加权的MRI数据进行预测建模.
主要方法:
- 从85名头癌患者的T1和T2权重MR图像中提取了放射性特征.
- 应用ComBat算法进行数据协调,以减少中心间的变化.
- 利用递归特征消除并比较了协调前后的十个分类算法 (例如SVM,RF,XGBoost).
主要成果:
- 协调一致地改善了跨并发症和成像模式的预测性能.
- 支持矢量机 (SVM) 和随机森林 (RF) 模型显示,随着协调,粘性唾液预测的AUC显著改善.
- 通过协调观察到对异口腔预测的增强AUC值,尽管T2加权成像预测仍然具有挑战性.
结论:
- 数据协调对于提高MRI放射学预测模型的性能至关重要.
- 调和使用T1加权特征改善了粘性唾液和早期异口症的预测.
- 需要进行进一步的研究,以解决使用T2加权特征预测异口症的挑战.
