组建基于学习的放射学模型,用于预测鼻癌中辐射诱导的叶损伤

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 接受放射治疗的鼻癌 (NPC) 患者有辐射诱导的叶损伤 (RTLI) 的风险.
• 早期预测RTLI对于优化治疗和改善患者结果至关重要.
• 当前的预测方法可能缺乏准确性和全面性.

研究的目的:

• 开发和验证一个多模组合机器学习模型,用于在NPC患者中早期预测RTLI.
• 整合多序MRI放射学,临床特征和血液学生物标志物.
• 在放射治疗前评估模型的性能.

主要方法:

• 对161名接受强度调节放射治疗 (IMRT) 的NPC患者的回顾性分析.
• 从多序MRI (T1WI,CE-T1WI,T2WI,DWI) 中提取放射性特征.
• 组合模型 (ERSS) 的开发,将弹性网,随机森林和从放射学,临床和血液学数据的SVM得分结合起来.

主要成果:

• 该ERSS模型实现了高预测性能 (AUC培训:0.957,验证:0.968).
• 与单序MRI,多序MRI集成和后勤回归模型相比,性能优越.
• 预测和观察结果之间有很好的一致性,具有很高的临床净益处.

结论:

• ERSS多式联动组合模型是NPC患者早期RTLI预测的高度准确的工具.
• 多序MRI放射学,血液学生物标志物和临床因素的整合使得个性化风险评估成为可能.
• 该模型可以帮助优化放射治疗规划和后续策略.