基于夏普利添加剂解释的双放射学,用于预测同时接受化学放射治疗的患者的血液毒性

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 血液毒性 (HT) 是患有晚期宫癌的患者同时接受化学放射治疗 (CCRT) 的重要问题.
• 预测HT对于优化治疗策略和改善患者治疗结果至关重要.
• 机器学习模型为预测与治疗相关的毒性提供了一个有希望的途径.

研究的目的:

• 开发和比较集成放射性和剂量学特征的机器学习模型,用于预测晚期宫癌患者的HT.
• 评估两种基于SHAP的特征集成方法:单步和多步.
• 评估混合模型的性能与仅使用放射性或放射性特征的模型相比.

主要方法:

• 对205名使用CCRT治疗的晚期宫癌患者的回顾性分析.
• 从计划CT图像和剂量分布中提取放射性和剂量学特征.
• 应用基于SHAP的特征选择来识别相关特征.
• 使用单步和多步特征选择方案开发极端梯度提升模型.
• 在测试组上使用灵敏度,特异性和曲线下的面积 (AUC) 评估模型性能.

主要成果:

• 基于SHAP的多步混合模型实现了最高的性能,AUC为0.81,灵敏度为0.75,特异性为0.83.
• 基于SHAP的单步混合模型实现AUC为0.79,灵敏度为0.67,特异性为0.72.
• 综合放射性和剂量学特征的混合模型显著优于单独使用任何特征类型的模型.

结论:

• 结合放射性和剂量学特征,可以提高在接受CCRT的晚期宫癌患者中HT的预测.
• 基于SHAP的多步特征选择方案提供了卓越的预测性能.
• 这些先进的预测模型可以帮助个性化治疗策略,以减轻HT风险.