机器学习模型用于预测在鼻癌中强度调节辐射治疗后的复发情况

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:

• 鼻癌 (NPC) 具有独特的特征和强度调节放射治疗 (IMRT) 后复发的高风险.
• 接受IMRT的NPC患者的预后预测需要进一步调查.
• 需要准确的模型来预测复发并改善患者的治疗结果.

研究的目的:

• 开发和验证可靠的机器学习 (ML) 模型,用于预测NPC患者IMRT后复发.
• 确定早期NPC复发的关键预测因素.
• 加强对NPC治疗和随访的临床决策.

主要方法:

• 对859名接受IMRT治疗的NPC患者的回顾性分析.
• 考克斯回归,竞争风险和极端梯度增强 (XGBoost) 模型的开发和比较.
• 使用曲线下的面积 (AUC),校准和决策曲线评估模型性能.

主要成果:

• 与Cox和竞争风险模型相比,XGBoost模型表现出优异的预测性能.
• 早期复发的关键预测因素包括EBV DNA,TNM阶段,T阶段,HGB,瘤体积和LDH.
• XGBoost模型实现了高AUC值 (例如,在3年预测的验证集中为0.94).

结论:

• XGBoost模型提供了一种简单而准确的方法,用于预测IMRT后NPC预后.
• 这种模型可以帮助临床医生预防复发并优化术后随访.
• 整合ML模型可以显著改善NPC患者的管理.