基于放射学的机器学习方法,用于预测在本地先进的宫癌中使用预治疗磁共振成像来预测支臂治疗的反应
Prashant Nayak1, Supriya Chopra1, Yashna Gupta1
1Department of Radiation Oncology, Tata Memorial Centre, Parel, Mumbai, Maharashtra, India; Homi Bhabha National Institute, Anushaktinagar, Trombay, Mumbai, Maharashtra, India.
Brachytherapy
|October 31, 2025
概括
基线MRI的放射性特征可靠地预测本地晚期宫癌 (LACC) 患者接受支臂治疗 (BT) 的治疗反应. 机器学习模型在分类好响应者与差响应者方面显示出有希望的准确性.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医学成像分析 医学成像分析
背景情况:
- 局部晚期宫癌 (LACC) 需要准确预测治疗反应以获得最佳管理.
- 支臂治疗 (BT) 是LACC治疗的关键组成部分,预测反应至关重要.
- 磁共振成像 (MRI) 提供了关于瘤的详细解剖和潜在的功能信息.
研究的目的:
- 调查基线MRI放射性特征在接受BT的LACC患者中预测瘤反应的实用性.
- 开发和验证用于响应预测的机器学习模型.
- 为了比较放射性特征与临床特征的预测性能.
主要方法:
- 74名LACC患者接受了基线T2WMRI扫描.
- 使用TexRAD软件从总瘤体积 (GTV) 中提取放射性特征.
- 最小绝对收缩和选择操作员 (LASSO) 回归和支持矢量机 (SVM) 算法用于特征选择和模型构建.
主要成果:
- 通过LASSO回归来选择11个放射性特征用于响应预测.
- 使用放射性特征的SVM模型实现了0.82和76.8%的曲线下面面积 (AUC) 精度.
- 使用临床特征的模型显示预测性能较低 (AUC为0.55,准确率为62.6%).
结论:
- 机器学习模型结合了治疗前MRI的放射性特征,可以可靠地预测LACC患者的治疗反应.
- 放射性分析为宫癌的个性化治疗策略提供了一个有希望的非侵入性工具.
- 这种方法可以帮助优化治疗决策并改善患者的治疗结果.
