可解释的机器学习用于预测口腔癌放射治疗后的吸入性肺炎
Yu-Fan Wu1, Jhen-Bin Lin2, Yi-Shing Leu3
1Department of Information Management, Fu-Jen Catholic University, New Taipei City, Taiwan.
概括
可解释的AI模型可以预测口腔癌放射治疗后的吸入性肺炎. 最好的模型确定了平均辐射剂量到吞结构的平均值,使个性化治疗能够减少患者的风险.
科学领域:
- 在瘤学瘤学.
- 辐射疗法 辐射疗法
- 机器学习 机器学习
- 医疗信息学 医疗信息学
背景情况:
- 吸收性肺炎是口腔癌 (OCC) 放射治疗后的显著晚期并发症.
- 预测这种严重事件对于患者管理和治疗计划至关重要.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于预测OCC患者的吸入性肺炎.
- 确定吸入性肺炎的关键临床和剂量测量预测因素.
主要方法:
- 在880名OCC患者中训练并验证了随机森林 (RF),极度梯度提升 (XGBoost) 和分类提升 (CatBoost) 模型.
- 利用临床和剂量测量特征,通过曲线下的面积 (AUC) 评估性能.
- 应用了SHapley添加式解释 (SHAP) 来确定特征的重要性和模型可解释性.
主要成果:
- 射频模型在外部验证中表现出优异的性能 (AUC = 0.966).
- 对上喉约束肌 (PCM),中间PCM和上喉的平均辐射剂量是最重要的预测因素.
- 确定了非线性剂量-毒性关系,并确定了吞结构的降低风险的门剂量.
结论:
- 可解释的ML模型可以有效地预测OCC的吸入性肺炎放射治疗后.
- 个性化预测促进了量身定制的放射治疗计划,以最大限度地降低吸入性肺炎风险.
