线性联合学习用于结果预测,适用于肝细胞癌放射治疗

科学领域:

• * 医学信息学 医学信息学
• * 机器学习在瘤学中的应用
• * 辐射瘤学 辐射瘤学

背景情况:

• *联合学习 (FL) 能够实现多机构的预测建模,而无需共享原始患者数据,从而保护隐私.
• *线性FL (LFL) 提供了一种可解释的方法,以提高样本大小和结果预测中的概括性.
• * 接受外部光束放射治疗 (EBRT) 的肝细胞癌 (HCC) 患者是预测建模的关键焦点.

研究的目的:

• * 评估LFL用于预测HCC患者的肝毒性和1年生存率 (SRVy1).
• *评估LFL在多机构环境中提高概括性和解释性的能力.
• * 展示LFL作为保护隐私的合作研究的概念验证.

主要方法:

• *来自麻省总医院 (MGH) 和布里格姆妇女医院 (BWH) 的患者数据用于培训;MD安德森癌症中心用于验证.
• * 逻辑回归模型使用临床特征 (白蛋白,胆红素,Child-Pugh评分,肝脏大小,平均肝脏剂量) 预测肝毒性和SRVy1.
• * 在每个有LFL的机构进行本地模式培训,不共享原始数据;使用AUC评估绩效.

主要成果:

• *LFL改善了生存预测AUC,从0.55-0.63 (单一机构) 提高到0.67.
• *对于毒性预测,LFL的AUC保持在0.7,与单一机构模型 (AUC0.68-0.69) 相比.
• *LFL表现出中等系数,减轻偏差并改善外部验证性能.

结论:

• *LFL维持或改善了HCC患者的生存和肝毒性预测性能.
• * 在多机构合作中,LFL 保持了模型可解释性和患者隐私.
• * 结果支持LFL在推动辐射瘤学合作研究中的实用性.