临床可解释的机器学习模型用于预测心脏平均剂量,使用简单的基于BEV的指标
1Department of Radiation Physics, Kidwai Memorial Institute of Oncology, Bengaluru, Karnataka 560029, India.
概括
机器学习准确地预测乳腺癌放射治疗中的平均心脏剂量 (MHD),使用简单的光束眼视 (BEV) 度量. 这允许早期选择心脏节约技术,以减少辐射诱导的心脏毒性.
科学领域:
- 辐射瘤学 辐射瘤学
- 医学物理 医学物理
- 医疗保健中的机器学习
背景情况:
- 辐射诱导的心脏毒性是左侧乳腺癌放射治疗中的一个重大问题.
- 平均心脏剂量 (MHD) 是长期心脏病发病率的关键预测指标.
- 准确预测MHD对于实施心脏节约策略至关重要.
研究的目的:
- 开发一种可临床解释的机器学习模型,用于预测MHD.
- 为了利用基于简单的beam's-eye-view (BEV) 的心脏投影指标进行MHD预测.
- 为了能够快速进行治疗前评估和选择放射治疗技术.
主要方法:
- 对127名接受左乳房/胸壁放射治疗的患者进行了回顾性分析,并进行了关节上关节辐射.
- 从触角场测量心脏投射 (水平和垂直) 的方法.
- 使用交叉验证开发多变量线性回归和逻辑回归模型.
主要成果:
- 线性回归模型显示出强大的预测性能 (R2=0.69,RMSE=0.61 Gy) 和显著的相关性 (r=0.83,p<0.001).
- 独立验证进一步提高了预测准确度 (R2=0.76,r=0.90,p<0.001).
- 在基于剂量的技术选择中,物流分类器实现了88%的准确性和高分辨率 (AUC=0.95).
结论:
- 基于BEV的简单心脏投射指标可以在左侧乳腺癌放射治疗中可靠地预测MHD.
- 开发的机器学习模型为预处理评估提供了一个实用的工具.
- 这种方法支持早期选择节约心脏的放射治疗技术,可能减少心脏病发病率.
