基于机器学习的决策支持工具,用于在高剂量宫癌中标准化内腔与间歇性支臂治疗技术的选择

科学领域:

• 医学物理
• 癌症学
• 机器学习

背景情况:

• 高剂量治疗 (HDR) 对于宫癌治疗至关重要.
• 在内支架疗法 (ICBT) 和混合内支架疗法 (IC/ISBT) 之间进行标准化技术选择是具有挑战性的.
• 医生之间的差异可能会影响治疗结果.

研究的目的:

• 开发和评估一个机器学习 (ML) 决策支持工具.
• 该工具旨在标准化ICBT和IC/ISBT之间的选择,用于HDR宫癌治疗.
• 为了提高支臂治疗技术的一致性.

主要方法:

• 对50名患者的159个HDR支臂治疗计划进行了回顾性分析.
• 从基于CT/MRI的3D图像引导的支臂治疗计划中提取144个几何特征.
• 用多个分类器和投票组合进行嵌套交叉验证,用于模型开发.

主要成果:

• 后勤回归模型实现了最高准确度 (0. 849) 和AUC (0. 903).
• 机器学习工具的性能与现有的单因素规则相提并论.
• 影响决策的关键特征包括HR-CTV并行的侧面距离和膀短轴长度.

结论:

• 一个紧的ML工具可以可靠地帮助临床医生在ICBT和IC/ISBT之间进行选择.
• 该工具利用两个易于测量的几何特征来支持决策.
• 实施可以减少医生之间的差异,并促进标准化的HDR宫支臂疗法.