鼻癌患者急性辐射诱导性皮肤炎的预测建模,使用机器学习与多式联络数据集成进行断层治疗

科学领域:

• 在瘤学瘤学.
• 辐射疗法 辐射疗法
• 医疗成像医学成像

背景情况:

• 放射性皮肤炎 (RD) 是鼻癌 (NPC) 放射治疗的常见,严重的副作用.
• 现有的预测模型难以准确评估断层治疗后的急性辐射皮肤炎 (ARD).
• 准确预测ARD对于个性化患者护理和管理至关重要.

研究的目的:

• 开发和验证一种强大的ARD预测模型,用于NPC患者接受断层疗法治疗.
• 整合临床,剂量测量和放射性特征,以提高预测准确度.
• 改进个性化风险分层,指导预防性皮肤管理.

主要方法:

• 对161名接受断层治疗的NPC患者进行了回顾性分析.
• 提取临床,剂量测量和放射性特征,用于模型开发.
• 利用了机器学习算法 (SVM,随机森林等). 和特征选择 (LASSO) 来构建预测模型.
• 使用曲线下的面积 (AUC),灵敏度和特异性进行模型性能评估,并进行交叉验证.

主要成果:

• 组合模型 (临床+放射性+剂量学特征) 实现了最高的预测准确性 (AUC=0.916训练,0.797验证).
• 支持矢量机 (SVM) 算法在不同的模型构造中表现出卓越的性能.
• 组合模型显著优于使用单一特征集 (仅临床,放射性或剂量计) 的模型.

结论:

• 结合了多种特征类型的综合预测系统,为预测NPC断层治疗中的严重ARD提供了卓越的性能.
• 这种工具使得治疗前风险分层和剂量计参数的精细化成为可能.
• 该系统支持基于证据的预防性皮肤管理计划,推进个性化皮肤保护.