一个基于机器学习的预测模型,对鼻癌的短期疗效进行预测
Qiulu Zhong1, Xiangde Li1, Qinghua Du1
1Department of Radiation Oncology, The Second Affiliated Hospital of Guangxi Medical University, Nanning, 530000, China.
Scientific reports
|May 21, 2025
概括
机器学习准确地预测了局部晚期鼻癌 (LANPC) 的治疗有效性. 随机森林模型,使用放射学和临床数据,确定了可能实现完全缓解的患者,改善了生存结果预测.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 机器学习 机器学习
- 医疗信息学 医疗信息学
背景情况:
- 局部晚期鼻癌 (LANPC) 需要准确预测短期治疗疗效,以实现最佳的患者管理.
- 当前的预测方法可能无法完全整合复杂的放射学和临床数据.
- 机器学习提供了一种强大的方法来分析多方面的数据集,以提高预测准确度.
研究的目的:
- 开发和验证用于预测LANPC治疗的短期疗效的机器学习模型.
- 确定影响治疗结果的关键放射剂量计和临床特征.
- 为了比较不同机器学习算法的预测性能.
主要方法:
- 从194名LANPC患者的追溯数据收集.
- 包括24个临床特征和12个放射性剂量计参数.
- 使用三种机器学习算法开发预测模型:随机森林 (RSF),XGBoost (GBDT) 和决策树 (DT).
- 使用校准曲线和曲线下的面积 (AUC) 评估模型可靠性.
- 卡普兰-梅尔日志等级分析,以比较不同治疗疗效的群体之间的生存率.
主要成果:
- 随机森林 (RSF) 模型表现出卓越的预测性能,AUC值为1000 (训练) 和0.944 (测试).
- RSF模型显示,在实现完全缓解 (CR) 和未实现CR (P=0.0037) 的患者之间,在3年和5年总生存率上存在统计学上显著的差异.
- 在RSF模型分析中,CR组的患者与非CR组 (3年:98.9%,5年:89.7%) 相比,CR组的患者的生存率更高 (3年:98.9%,5年:99.7%),尽管非CR组在这个特定队列中生存率更高,因此需要进一步调查.
结论:
- 机器学习模型,特别是随机森林算法,有效地利用放射学和临床数据预测LANPC中的短期治疗疗效.
- 开发的RSF模型是评估个人LANPC患者治疗反应的宝贵工具.
- 放射性剂量测量和临床特征的整合提高了疗效预测的精度,有助于临床决策.
