基于机器学习的预后建模,使用MRI放射性数据对用终极化疗和支臂疗法治疗的宫癌患者进行预后建模
Kamuran Ibis1, Mustafa Durmaz2, Deniz Yanik1
1Department of Radiation Oncology, Institute of Oncology, Istanbul University, 34093 Istanbul, Türkiye.
Current oncology (Toronto, Ont.)
|November 26, 2025
概括
整合临床和放射性数据的机器学习模型显著改善了局部晚期宫癌的生存预测. 结合这些特征,提高了远程无转移存活的准确性和可靠性.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 局部晚期宫癌 (LACC) 的生存预测仍然具有挑战性.
- 整合不同的数据源可能会提高预后准确性.
研究的目的:
- 评估临床和放射性特征对用于LACC生存预测的机器学习模型的贡献.
- 评估CatBoost算法在预测远程转移无生存率 (DMFS) 的性能.
主要方法:
- 来自161名LACC患者的临床和放射性数据的回顾性分析.
- 从对比度增强的MRI (T1W,T2W,DWI) 序列中提取的放射性特征.
- CatBoost算法用于构建各种数据组合 (临床,临床+T1W,临床+T2W,临床+DWI) 的生存预测模型.
主要成果:
- 结合临床和放射性特征的模型表现优于仅使用临床数据的模型.
- CatBoost_CLI + T2W_DMFS模型实现了92.31%的测试准确度和88.62%的F1得分,用于DMFS预测.
- 通过ROC和Bland-Altman分析证明的高分辨力和预测一致性.
结论:
- 在结合临床和放射性数据时,CatBoost算法证明了LACC生存预测的高准确性和可靠性.
- 放射学数据显著提高了LACC中生存预测模型的性能.


