人类急性辐射综合征严重程度分层的智能模型
Yuriy Dmitrievich Udalov1, Aleksey Sergeevich Umnikov1, Irina Alekseevna Galstyan1
1State Research Center - Burnasyan Federal Medical Biophysical Center of the Federal Medical-Biological Agency of Russia, Moscow, Russia.
International journal of radiation biology
|March 5, 2026
概括
这项研究开发了一种精确的机器学习模型,使用临床和放射生物学的数据来分类急性辐射综合征 (ARS) 严重程度. 梯度增强模型实现了高预测精度,有助于紧急医疗分拣.
科学领域:
- 辐射医学 辐射医学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 急性辐射综合征 (ARS) 在严重程度分层方面存在重大挑战,原因是高度的个人间变异性.
- 辐射事件的性质限制了随机对照试验,需要先进的计算方法.
研究的目的:
- 开发和比较两个智能模型来分层ARS严重程度.
- 利用临床,血液学和放射生物学参数进行准确的ARS分类.
- 为资源有限的环境创建一个临床上适用的工具.
主要方法:
- 对1519名暴露于辐射的患者和临床随访的回顾性分析.
- 应用线性差异分析 (LDA) 和梯度提升算法用于多层分类.
- 利用15个临床和放射生物指标进行模型构建.
主要成果:
- 梯度增强模型在ARS严重性分层中取得了卓越的准确性,ROC曲线下的面积 (AUC) 为0.92.
- 沙普利添加剂扩展 (SHAP) 确定了关键的预测特征:辐射剂量,暴露时间,炎症标志物和放射性核素的结合.
- 该模型显示了ARS严重程度的高预测值.
结论:
- 开发的智能模型适合作为独立软件工具进行临床实施.
- 部署可以提高在辐射紧急情况下的医疗分拣准确度.
- 在人类辐射暴露事件期间减少决策错误.
