利用机器学习模型预测冷大气等离子体对黑色素瘤的细胞毒性作用

《IEEE Transactions on Plasma Science》：Prediction of Cytotoxicity Effects of Cold Atmospheric Plasma on Melanoma Using Machine Learning Models

本研究提出冷大气等离子体（CAP）治疗黑色素瘤的三大突破：开发首个基于机器学习的治疗预测与优化框架，建立等离子剂量概念及参数补偿定律，并通过五模型比较验证XGBoost模型最优（84%准确率），揭示距离与时间参数间的补偿关系（50%距离减半补偿40%时间减半），为临床标准化提供依据。

　　

摘要：

黑色素瘤被视为一种危险的皮肤癌类型。体外和体内研究表明，冷大气等离子体（CAP）在黑色素瘤治疗方面具有显著的治疗潜力。本研究提出了CAP疗法的三大进展：1）开发了首个用于治疗预测和优化的机器学习（ML）框架；2）通过定量参数补偿引入了等离子体剂量概念；3）建立了参数替代法则，以提高治疗效果。我们开发并评估了五种机器学习模型——随机森林（RF）、决策树（Decision Tree）、支持向量机（SVM）、梯度提升（XGB）和K近邻（KNNs）——来预测黑色素瘤细胞对CAP治疗的反应。其中，XGB模型表现最佳，准确率达到84%，有效捕捉了等离子体参数与细胞存活率之间的非线性关系。新的参数替代分析表明，将治疗距离缩短50%可以补偿治疗时间缩短40%，同时保持最大的细胞毒性。这些定量关系使得通过多参数补偿来确定等离子体剂量成为可能，为临床应用提供了标准化方案。