化学辐射治疗后非喉头癌的声带功能障碍:使用CT放射学和机器学习进行预测建模

科学领域:

• 放射学和瘤学 放射学和瘤学
• 医学成像分析 医学成像分析
• 医疗保健中的机器学习

背景情况:

• 用化学辐射疗法 (CRT) 治疗的头癌 (HNC) 患者有发展声带功能障碍 (VCD) 的风险.
• 预测VCD对于管理治疗副作用和改善患者生活质量至关重要.
• 当前的预测方法可能无法完全捕捉到导致VCD的因素的复杂相互作用.

研究的目的:

• 调查计算机断层扫描 (CT) 放射性特征和VCD的剂量测量临床生物标志物的预测价值在接受CRT的HNC患者中.
• 开发和评估用于预测辐射诱导VCD的机器学习 (ML) 模型.

主要方法:

• 分析了65名接受CRT治疗的HNC患者.
• 收集了CT放射性特征,临床数据和剂量-体积组图 (DVH) 度量.
• 九个ML分类器使用特征选择算法 (LASSO,额外树,弹性网) 在仅放射学和组合数据集上进行训练.

主要成果:

• 放射学模型显示了适度的预测性能 (例如,随机森林AUC为0.84).
• 结合了放射性,临床和剂量学特征的组合模型,通过LASSO和弹性网实现了高预测准确性 (AUC>0.95).
• 特性选择算法对组合模型的性能产生了重大影响.

结论:

• 预处理CT放射性特征作为有效的生物标志物用于预测像VCD这样的辐射诱导毒性.
• 将放射性特征与临床和剂量测量数据相结合,显著提高了放射治疗结果的预测建模.
• 这些发现支持使用ML进行个性化放射治疗规划和HNC中毒性管理.