换一批基于机器学习的肺癌放疗后放射性肺炎预测研究
Research on the Prediction of Radiation Pneumonitis After Radiotherapy for Lung Cancer Based on Machine Learning
摘要目的 建立一种基于肺癌患者放疗前临床剂量学数据的放射性肺炎预测模型,并探究影响放射性肺炎的特征因素权重.方法 选取126例肺癌患者放疗前的临床剂量学数据,并将逻辑回归分析、支持向量机、随机森林3种机器学习方法作为基分类器,通过投票法建立放射性肺炎集成学习(Radiation Pneumonia Ensemble Learning,RPE)预测模型.结果 RPE模型预测放射性肺炎的准确度为71.16%,敏感度为68.31%,特异性为73.98%;RPE的受试者工作特征曲线及曲线下面积值最高可达0.798±0.082.在对放射性肺炎影响因素权重分析中,双肺V20(器官接受至少20 Gy剂量的体积百分比,其他依次类推)的权重最高为0.2423,双肺V40的权重次之,为0.1624.结论 由放疗患者的临床剂量学数据集建立的RPE模型相较于3种传统基分类器,可有效提高放射性肺炎的预测准确度,且该模型能为放疗计划的设计提供指导依据,提高患者生存质量.
更多相关知识
关键词
机器学习放射性肺炎放射剂量学集成学习模型解释权重分析machine learningradiation pneumonitisradiation dosimetryensemble learningmodel interpretationweight analysis
分类号
R197.39
栏目名称
DOI
10.3969/j.issn.1674-1633.20240876
发布时间
2025-05-26（万方平台首次上网日期，不代表论文的发表时间）
基金项目
重庆医科大学附属第三医院院内孵化项目（KY22047）
- 浏览6
- 被引0
- 下载5
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
