基于放射学可解释的人工智能,预测肺部立体体辐射疗法后的治疗反应

科学领域:

• 放射学和医学成像技术
• 辐射瘤学 辐射瘤学
• 计算生物学 计算生物学

背景情况:

• 对肺转移的治疗反应评估对于指导治疗至关重要.
• 立体体辐射疗法 (SBRT) 是肺转移的一个关键方式.
• 预测模型可以优化SBRT疗效和患者的治疗结果.

研究的目的:

• 开发和验证基于CT的放射性临床剂量计模型,用于评估对SBRT的肺转移反应.
• 整合机器学习 (XGBoost) 和可解释性技术 (SHAP) 进行可靠的预测.
• 为临床医生提供一种可理解的工具,用于个性化SBRT战略开发.

主要方法:

• 用SBRT治疗的80个肺转移的分析,按固体瘤响应评估标准 (RECIST) 分类.
• 从计划CT图像中提取107个放射性特征,并使用LASSO进行特征选择.
• 训练和验证一个极端梯度增强 (XGBoost) 模型,使用SHAP分析进行解释性.

主要成果:

• 采用8个放射性特征和1个剂量计变量 (生物等效剂量BED10) 的XGBoost模型,实现了高预测精度 (培训和验证队列中的AUC为0.897和0.864).
• 关键预测因素包括斜度,面积比,球形度和BED10.
• SHAP分析提供了对特征重要性和模型预测的明确见解.

结论:

• 开发的可解释放射学模型有效地预测了用SBRT治疗的肺转移的完整反应 (CR).
• 这个模型可以帮助临床医生通过更好的理解来个性化SBRT策略.
• 提出的方法为肺转移管理的临床实践提供了指导.