在复发的初级中枢神经系统淋巴瘤中预测救援立体术放射外科的结果:一种机器学习驱动的决策树分析
Huili Zhao1, Shenao Zhang2, Lang Chen2
1Department of Radiology, The Second Affiliated Hospital of Xuzhou Medical University, Xuzhou 221000, China; Department of Radiology, Xinyi People's Hospital, Xuzhou 221400, China.
Translational oncology
|July 30, 2025
概括
这项研究确定了关键因素,如KPS,深层大脑结构参与和IELSG得分,以预测复发性中枢神经系统原发性淋巴瘤患者接受立体射线手术救援疗法的治疗反应.
科学领域:
- 神经瘤学神经瘤学
- 辐射瘤学 辐射瘤学
- 临床决策支持 临床决策支持
背景情况:
- 复发性初级中枢神经系统淋巴瘤 (r-PCNSL) 是一个重大的治疗挑战.
- 立体射线手术救援疗法 (SRS-ST) 是对r-PCNSL的治疗选择.
- 在接受SRS-ST的r-PCNSL患者中预测治疗结果对于个性化护理至关重要.
研究的目的:
- 确定影响r-PCNSL患者治疗SRS-ST的治疗结果的关键临床风险因素.
- 开发一种基于决策树的预测模型,用于该患者群体的治疗反应.
主要方法:
- 对209名接受SRS-ST治疗的r-PCNSL患者的回顾性分析.
- 随机划分为培训 (70%) 和验证 (30%) 集.
- 使用C5.0算法来预测治疗反应的决策树模型的开发.
主要成果:
- 决策树模型结合了卡诺夫斯基绩效状态 (KPS),深度大脑结构参与以及国际外节淋巴瘤研究小组 (IELSG) 评分.
- 该模型在培训和验证集中表现出强大的预测准确性,高灵敏度和特异性.
- 平均无进展生存 (PFS) 为7.5个月,总生存 (OS) 为13.8个月.
结论:
- 在接受SRS-ST的r-PCNSL患者中,KPS,深层大脑结构参与和IELSG得分是治疗反应的关键决定因素.
- 开发了一种临床适用的决策树模型,以帮助个性化治疗策略.
- 这种模型可以帮助血液学家和神经瘤学家优化对r-PCNSL的患者管理.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K