整合影像组学与剂量学特征的机器学习模型预测乳腺癌放疗皮肤毒性的研究意义

为解决预测乳腺癌患者放疗后皮肤毒性问题，研究人员开展了结合放射组学和剂量学特征预测皮肤毒性的研究。结果显示整合特征训练的机器学习模型表现更优，这有助于个性化治疗规划，降低高风险患者皮肤毒性风险。

　　本研究旨在开发一种机器学习（ML）流程，用于预测乳腺癌患者放疗后的皮肤毒性。具体而言，研究人员探究将临床剂量学参数与计算机断层扫描（CT）图像的形状放射组学特征相结合，是否能提高预测准确性。研究回顾性分析了 78 例乳腺癌患者的数据，由经验丰富的放射肿瘤学家手动勾画临床靶区（CTV）和皮肤。从 CTV 中提取了 12 个形状放射组学特征，同时获取 32 个临床剂量学特征。利用极端随机树分类器进行特征选择，随后用选定的特征训练 4 种 ML 模型：支持向量机（SVM）、随机森林（RF）、逻辑回归和高斯过程回归（GPR）。通过准确率、灵敏度、特异度、F1 评分和受试者工作特征曲线下面积（ROC-AUC）评估模型性能。结果显示，用整合特征集训练的 ML 模型优于仅基于临床剂量学参数训练的模型，ROC-AUC 从 0.66 提升至 0.74。其中，RF 模型性能最佳，AUC 为 0.74，准确率为 0.75，灵敏度为 0.74，特异度为 0.74，F1 评分为 0.74。结论表明，将形状放射组学特征与临床剂量学参数相结合，可显著提高对接受放疗的乳腺癌患者皮肤毒性的预测能力。这些发现支持所提出的 ML 流程在指导个性化治疗规划、降低高风险患者皮肤毒性风险方面的潜力。