应用放射组学和剂量学特征预测食管癌放射治疗后的两年生存情况

发布时间：2024-03-10 04:43

　　目的:使用放射组学与剂量学特征参数,建立机器学习预测模型,预测食管癌患者放射治疗后两年的生存情况。方法:回顾性分析2013年1月至2017年12月在天津医科大学肿瘤医院接受放射治疗的食管癌患者共579例。从食管癌患者的放射治疗计划中提取GTV的放射组学和剂量学的特征,使用最大相关最小冗余与人工方法对特征参数进行筛选,分别选取14项放射组学和14项剂量学特征,并将特征变量进行标准化归一至[0,1]范围。建立支持向量机、逻辑回归和随机森林等机器学习模型,先使用14项放射组学特征,再使用28项放射组学和剂量学混合特征参数进行训练和测试,来预测食管癌放射治疗患者的两年生存情况。结果:仅使用放射组学特征预测放射治疗后两年生存情况时,支持向量机、逻辑回归和随机森林模型的准确率分别为84.98%、85.92%和84.51%。使用放射组学和剂量学的混合特征参数进行预测时,支持向量机、逻辑回归和随机森林模型的准确率分别为86.32%、83.02%和90.01%。在放射组学特征参数基础上,增加剂量学特征,支持向量机和随机森林模型的预测准确性得到有效提高。结论:针对支持向量机和随机森林模型,使用放射组学和放...

【文章页数】：4 页

【部分图文】：

图1使用放射组学特征建立SVM、LR和RF模型得到ROC曲线

表2是使用不同特征和预测模型来预测食管癌放射治疗后两年生存情况的结果。其中仅使用放射组学特征，SVM、LR和RF模型的分类准确度分别为84.98%、85.92%和84.51%，十折交叉验证得到的最高AUC分别为0.85、0.91和0.92。其中LR模型的分类准确率和召回率最高，R....

图2使用放射组学和剂量学特征建立SVM、LR和RF模型得到ROC曲线

图1使用放射组学特征建立SVM、LR和RF模型得到ROC曲线3讨论

本文编号：3924263