使用机器学习来预测前列腺放射治疗中适当的膀填充的决策支持:一个可行性研究
Nipon Saiyo1,2, Kritsrun Assawanuwat1, Patthra Janthawanno1
1School of Radiological Technology, Faculty of Health Science Technology, Chulabhorn Royal Academy, Bangkok, Thailand.
Radiological physics and technology
|June 2, 2025
概括
这项研究开发了一种机器学习模型,以预测膀体积比率,以便在前列腺癌放射治疗期间最佳填充膀. 该模型准确地评估了膀的满度,减少了重复成像扫描的需要.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 医疗保健中的机器学习
背景情况:
- 精确的膀填充对于前列腺癌患者的有效外部束辐射疗法 (EBRT) 至关重要.
- 计划CT和每日CBCT之间膀体积的变化可能会影响治疗的准确性.
- 需要一种可靠的方法来预测足够的膀填充,以优化辐射输送.
研究的目的:
- 开发和验证一种机器学习模型,用于预测每日CBCT和计划CT之间的膀体积比.
- 为了确定接受EBRT的前列腺癌患者的膀充满.
- 通过预测膀满度来减少重复CBCT扫描的频率.
主要方法:
- 使用机器学习 (ML) 分类和回归方法,采用了一个引导集成 (包装) 算法.
- 该模型在34名前列腺癌患者的465个数据集上进行了训练,利用了16个输入特征.
- 模型性能在93个额外的数据集上得到验证,评估了RMSE,MAE,灵敏度,特异性和准确性.
主要成果:
- 回归模型实现了0.244的根平均平方误差 (RMSE) 和0.172.17的平均绝对误差 (MAE).
- 该分类模型表现出高性能,95.24%的灵敏度,92.16%的特异性和93.55%的准确性.
- 开发的ML模型有效地预测了每日CBCT和计划CT之间的膀体积比.
结论:
- 开发的ML模型在预测前列腺癌EBRT的最佳膀填充方面显示出显著的希望.
- 该模型的高精度支持放射技术人员在治疗前评估膀充满度.
- 实施这种预测模型可能会减少重复CBCT扫描的需要,提高工作流效率.
