机器学习模型的比较研究,用于预测使用放射学和临床特征的直肠癌患者的新辅助化学放射治疗反应

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:

• 术后的新辅助化疗放射治疗 (nCRT) 是局部晚期直肠癌的标准.
• 患者对nCRT的反应有所不同,需要识别不响应者以防止毒性.
• 放射学提供了一种非侵入性的方法来分析医疗图像,以改善治疗决策.

研究的目的:

• 为了比较机器学习模型来预测直肠癌中的nCRT反应.
• 评估放射学对预测模型的贡献.
• 确定治疗反应的关键预测因素.

主要方法:

• 对187名接受nCRT治疗的直肠癌患者进行了回顾性研究.
• 从CT扫描中提取101个放射性特征并收集临床数据.
• 使用交叉验证和内部/外部测试集对15个机器学习模型进行培训和评估.

主要成果:

• 梯度增强分类器显示高训练性能 (AUC 0.95).
• 额外树木分类器 (ETC) 在内部 (AUC 0.90) 和外部 (AUC 0.79) 测试集上表现强.
• 临床生物标志物,特别是瘤等级,在ETC模型中比放射性特征更有影响力.

结论:

• 额外树木分类器显示了预测直肠癌中nCRT反应的潜力.
• 目前,临床因素比放射性特征更能预测治疗反应.
• 进一步的研究可能会完善个性化直肠癌治疗的模型.