开发和验证一种可解释的机器学习模型,用于乳腺癌中的急性辐射皮肤炎

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

背景情况:

• 放射性皮肤炎 (RD) 是乳腺癌放射治疗的常见,影响生活质量的副作用.
• 有效的风险预测模型是早期识别和干预所需的.

研究的目的:

• 开发和验证一种可解释的机器学习模型,用于预测乳腺癌患者的严重辐射皮肤炎.

主要方法:

• 分析了接受放射治疗的691名乳腺癌患者的队列.
• 评估了14个机器学习算法,根据AUC选择最好的模型,并使用内部测试集进行验证.
• 用SHAP分析来确定模型的可解释性.

主要成果:

• 随机森林模型在训练中达到0.84的AUC,在测试中达到0.748.
• 确定的关键预测因素包括临床目标体积-关节上 (CTVsc),临床目标体积-内部乳腺 (CTVim),TNMII期和糖尿病状态.
• 该模型显示了良好的校准和临床实用性.

结论:

• 一个可解释的机器学习模型显示了强大的区分能力,可以预测严重的RD.
• 该模型为个性化放射治疗规划提供了理论基础,以减轻RD风险.