基于决策树的机器学习算法用于预测急性辐射食道炎

科学领域:

• 辐射瘤学 辐射瘤学
• 医疗信息学 医疗信息学
• 临床决策支持 临床决策支持

背景情况:

• 辐射诱导的食道炎是胸部和部癌症治疗中的一个重大挑战.
• 它会对患者的生活质量产生负面影响,并可能限制治疗疗效.
• 预测和管理食道炎对于有效的化学放射治疗至关重要.

研究的目的:

• 开发和验证基于决策树的模型,用于预测急性食道炎等级.
• 为了确定辐射诱导食道炎的关键临床和剂量测量预测因素.
• 为放射治疗规划提供个性化风险评估工具.

主要方法:

• 分析了100名接受胸部和部放射治疗的患者的数据.
• 利用了33个特征,包括人口,临床和剂量参数.
• 实现了对二进制 (等级≥2与<2) 和多类 (等级1,2,3) 分类的决策树分类器.

主要成果:

• 二元分类模型在预测食道炎方面实现了97%的准确性.
• 多类模型在预测特定的食道炎等级方面表现出98%的准确性.
• 确定的主要预测因素包括V40,V60 (分别接收40 Gy和60 Gy的体积) 和平均食道剂量.

结论:

• 决策树模型准确地预测了辐射诱导的食道炎等级,具有很高的解释性.
• 这种方法促进了治疗优化和个性化风险评估在放射瘤学.
• 该模型作为临床决策支持的有希望的工具,增强放射治疗规划.