目的:使用放射組學與劑量學特征參數(shù),建立機器學習預測模型,預測食管癌患者放射治療后兩年的生存情況。方法:回顧性分析2013年1月至2017年12月在天津醫(yī)科大學腫瘤醫(yī)院接受放射治療的食管癌患者共579例。從食管癌患者的放射治療計劃中提取GTV的放射組學和劑量學的特征,使用最大相關(guān)最小冗余與人工方法對特征參數(shù)進行篩選,分別選取14項放射組學和14項劑量學特征,并將特征變量進行標準化歸一至[0,1]范圍。建立支持向量機、邏輯回歸和隨機森林等機器學習模型,先使用14項放射組學特征,再使用28項放射組學和劑量學混合特征參數(shù)進行訓練和測試,來預測食管癌放射治療患者的兩年生存情況。結(jié)果:僅使用放射組學特征預測放射治療后兩年生存情況時,支持向量機、邏輯回歸和隨機森林模型的準確率分別為84.98%、85.92%和84.51%。使用放射組學和劑量學的混合特征參數(shù)進行預測時,支持向量機、邏輯回歸和隨機森林模型的準確率分別為86.32%、83.02%和90.01%。在放射組學特征參數(shù)基礎(chǔ)上,增加劑量學特征,支持向量機和隨機森林模型的預測準確性得到有效提高。結(jié)論:針對支持向量機和隨機森林模型,使用放射組學和放...

【文章頁數(shù)】：4 頁

【部分圖文】：

圖1使用放射組學特征建立SVM、LR和RF模型得到ROC曲線

表2是使用不同特征和預測模型來預測食管癌放射治療后兩年生存情況的結(jié)果。其中僅使用放射組學特征，SVM、LR和RF模型的分類準確度分別為84.98%、85.92%和84.51%，十折交叉驗證得到的最高AUC分別為0.85、0.91和0.92。其中LR模型的分類準確率和召回率最高，R....

圖2使用放射組學和劑量學特征建立SVM、LR和RF模型得到ROC曲線

圖1使用放射組學特征建立SVM、LR和RF模型得到ROC曲線3討論

本文編號：3924263