基于机器学习的模型的开发和验证,用于预测鼻癌中辐射诱导的甲状腺功能低下症
Fangyan Zhong1,2,3, Wenchao Zhou1,2,3, Xiying Gao1,2,3
1NHC Key Laboratory of Personalized Diagnosis and Treatment of Nasopharyngeal Carcinoma, Jiangxi Cancer Hospital, The Second Affiliated Hospital of Nanchang Medical College, Nanchang, China.
Radiation oncology (London, England)
|October 24, 2025
概括
这项研究开发了一种机器学习模型,用于预测鼻癌 (NPC) 患者的辐射诱导甲状腺功能低下症 (RIHT). 简化的五变量模型有助于RIHT的个性化治疗规划和风险分层.
科学领域:
- 在瘤学瘤学.
- 辐射疗法 辐射疗法
- 内分泌学 在内分泌学.
背景情况:
- 接受强度调节放射治疗 (IMRT) 的鼻癌 (NPC) 患者有发展辐射诱导甲状腺功能低下症 (RIHT) 的风险.
- 准确预测RIHT对于个性化治疗计划和减轻不良影响至关重要.
研究的目的:
- 开发和验证一种强大且易于使用的RIHT预测模型,用于IMRT治疗的NPC患者.
- 确定RIHT的关键临床和剂量测量预测因素.
主要方法:
- 总共有469名NPC患者被随机分配到培训 (n=328) 和验证 (n=141) 队列.
- 使用101组合机器学习框架从33个变量中识别显著预测因素 (p<0.05).
- 预测模型使用多变量考克斯分析和名图构造进行了简化,通过C指数,校准图表和决策曲线分析评估性能.
主要成果:
- 使用11个预测因素的Coxboost+RSF机器学习模型实现了0.91 (培训) 和0.71 (验证) 的C指数.
- 一个简化的五变量模型 (治疗前的TSH,TSH与甲状腺体体积比,年龄,V45,V20) 显示C指数为0.80 (训练) 和0.71 (验证).
- 高风险患者的三年RIHT发病率显著增加 (72.3%与18.6%在培训中; 67.9%与24.4%在验证中).
结论:
- 一个机器学习框架成功地在NPC患者中确定了RIHT的关键预测因素.
- 一个简化,临床适用的五变量模型为预测RIHT风险提供了强大的工具.
- 开发的模型支持个性化治疗策略,并改善接受放射治疗的NPC患者的决策.
