在宫癌放射治疗中预测急性辐射诱导的直肠炎的区域特异性多态模拟:回顾性分析

科学领域:

• 在瘤学瘤学.
• 辐射疗法 辐射疗法
• 机器学习 机器学习
• 医疗成像医学成像

背景情况:

• 急性辐射直肠炎 (ARP) 是宫癌放射治疗中常见的毒性.
• 预测ARP具有挑战性,需要先进的预测模型.
• 目前的方法往往缺乏准确性来识别高风险患者.

研究的目的:

• 开发和评估一个用于预测ARP的多omics机器学习模型.
• 为了整合临床变量,放射学,剂量学和剂量体积图谱 (DVH) 度量.
• 为了比较直肠与直肠壁的感兴趣区域 (ROI),以获得预测准确度.

主要方法:

• 107名宫癌患者的回顾性队列.
• 从直肠和直肠壁的ROI中提取的多omics数据 (临床,放射性,剂量学).
• 支持矢量机 (SVM) 和多层感知器 (MLP) 分类器经过培训和验证.

主要成果:

• 在试验组中,直肠壁多奥米克SVM模型实现了最高的分辨率 (AUC 0.867).
• 多omics融合性能优于单模式模型.
• 在最终的多omics模型中没有保留任何DVH特征,这表明独立预测价值有限.

结论:

• 一个直肠壁,区域特定的多omics方法显著改善ARP预测.
• 整合各种数据类型和仔细的ROI选择对于精确的毒性评估至关重要.
• 结果支持对该预测模型的外部验证和前性评估.