使用放射学和可解释的集体学习来预测放射性肺炎和NSCLC患者在VMAT后的生存率.
Tsair-Fwu Lee1,2,3, Lawrence Tsai1, Po-Shun Tseng1
1Medical Physics and Informatics Laboratory of Electronics Engineering, National Kaohsiung University of Science and Technology, No. 415, Jiangong Rd., Sanmin Dist, Kaohsiung 80778, Taiwan.
Life (Basel, Switzerland)
|November 27, 2025
概括
这项研究开发了一个精确的模型,使用放射学和人工智能来预测辐射肺炎和VMAT后非小细胞肺癌患者的生存率. 该模型实现了高精度,增强了个性化放射治疗.
科学领域:
- 在瘤学瘤学.
- 医学物理 医学物理
- 人工智能的人工智能
背景情况:
- 接受VMAT的非小细胞肺癌 (NSCLC) 患者有辐射肺炎 (RP) 的风险,生存率各不相同.
- 精确预测RP和存活率对于优化放射治疗和改善患者结果至关重要.
- 目前的预测模型可能缺乏细粒度以捕捉复杂的个体患者对VMAT的反应.
研究的目的:
- 开发一种精确的辐射肺炎 (RP) 和使用VMAT治疗的NSCLC患者的三年生存率的预测模型.
- 整合放射学特征,集体堆叠和可解释AI (XAI) 以提高预测准确性和临床解释性.
- 通过使用先进的特征选择和解释技术,确定RP和生存的关键预测因素.
主要方法:
- 对221名接受VMAT治疗的NSCLC患者的回顾性分析,包括临床数据,DVH参数和放射性特征.
- 使用ANOVA,LASSO和Boruta-SHAP进行特征选择,然后对六个机器学习模型 (LR,RF,SVM,KNN,XGBoost,Ensemble Stacking) 进行集合堆叠.
- 模型性能使用AUC,准确性,NPV,精度和F1得分进行评估,并使用SHAP分析进行特征解释.
主要成果:
- 通过LASSO选择的放射性子集与集体堆叠实现了0.91的RP预测和0.97的生存预测的AUC.
- V40 Firstorder_Min是对RP预测最有影响力的特征,而V10 Wavelet Firstorder_Min则是对生存预测的关键.
- 多模式子集也表现出强的表现,表明了整合不同类型数据的价值.
结论:
- 放射学与集体堆叠和XAI相结合,显著改善了接受VMAT的NSCLC患者的RP和存活率的预测.
- 基于SHAP的解释提高了模型透明度和临床信任,支持个性化放射治疗.
- 开发的模型为辐射瘤学的精准医学提供了坚实的基础.
关键词:
组合学习组合学习可解释的人工智能肺癌是一种肺癌.机器学习是机器学习.辐射性肺炎的发生无线电学 (radiomics) 是一种无线电学.生存分析,生存分析.容量调节弧线疗法是指体积调节的弧线疗法.更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
06:19Constructing and Visualizing Models using Mime-based Machine-learning Framework
Published on: July 22, 2025
2.2K
