人工神经网络增强剂量组合用于预测SBRT治疗的NSCLC患者的远程复发

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:

• 立体射线疗法 (SBRT) 是一种标准的治疗方法,用于治疗不可手术的早期非小细胞肺癌 (NSCLC).
• 在SBRT后远程复发的高率构成了重大的临床挑战,需要改进预测工具.

研究的目的:

• 开发和验证一种机器学习模型,用于预测接受SBRT的NSCLC患者的远程复发.
• 确定有助于远程复发预测的关键剂量和临床特征.
• 加强个性化治疗规划,改善SBRT后的治疗结果.

主要方法:

• 使用了575名接受SBRT治疗的NSCLC患者的多机构数据集.
• 开发了一个人工神经网络 (ANN) 模型,包含14个剂量测量和7个临床变量.
• 通过使用10倍交叉验证和引导代等技术进行内部和外部验证来评估模型性能. 用SHAP分析来确定特征的可解释性.

主要成果:

• 综合模型实现了0.75 (内部验证) 和0.71 (外部验证) 的接收器操作特征曲线 (ROC-AUC) 下的改进面积.
• 与仅使用临床变量模型相比,剂量学特征显著提高了预测性能9-11%.
• SHAP分析确定了治疗分量,每分量剂量和最小剂量对瘤总体积 (GTV) 的关键影响剂量特征.

结论:

• 一个基于ANN的模型有效地预测SBRT后NSCLC患者的远程复发.
• 该研究强调了特定的剂量和临床特征在预测复发中的关键作用.
• 开发的模型显示了在临床实践中作为个性化治疗规划的辅助工具的潜力.