人工智能预测头部和颈部癌症患者的放射治疗副作用
一种复杂的计算机模型首次被证明能够准确预测头颈部癌症放疗的两种最具挑战性的副作用。这种精确肿瘤学方法有潜力更好地识别那些可能从早期干预中获益的患者，这些干预可能有助于防止治疗后体重显著下降或减少喂食管放置的需要。该研究结果在第61届美国放射肿瘤学会(ASTRO)年会上发表。
德克萨斯大学安德森癌症中心放射肿瘤学助理教授、该研究的主要作者Jay Reddy博士说:“在过去，很难预测哪些患者可能会经历这些副作用。”“现在我们有了可靠的机器学习模型这让我们能够这样做。”
机器学习是人工智能的一个分支，它使用统计模型来分析大量数据，揭示出可以高度准确地预测结果的模式。使用的科技行业允许说话和面部识别，“垃圾邮件”过滤和有针对性的广告，机器学习一直是一个新兴的主题，用于医学研究人员，寻求将大量数据转化为能够支持临床决策的知识。ob欧宝直播nba
Reddy博士和他的团队开发了模型来分析从三个来源合并而成的大型数据集:电子健康记录(Epic)、一个内部基于web的图表工具(Brocade)和记录/验证系统(Mosaiq)。数据包括700多个临床和治疗变量的头部和颈部癌症（75％的男性/ 25％女性，中位数为62岁），谁收到了2,000多个课程放射治疗(中位数剂量60戈瑞)2016年至2018年在MD安德森的五个实践地点。
研究人员使用模型来预测三个终点：显着的减肥，饲养管放置和计划生计划的住院。然后验证了最佳性能模型的结果与225个随后的连续放射治疗治疗。具有在曲线（AUC）下达到0.70或更高的曲线下面积预先指定阈值的模型被认为是临床有效的。（AUC评分为1.0意味着模型的预测是100％准确，而分数为0.0将意味着预测永远不会准确。）
每年在美国每年诊断大约53,000人被诊断出患有头部和颈部（口腔或口咽）癌症。这些癌症在女性中的常见常见于女性中的两倍，并且通常在生活后面诊断（平均诊断年龄为62岁）。早期诊断时，头部和颈部癌症通常用放射治疗或手术治疗。以后阶段的癌症被辐射治疗和化疗的组合治疗。患者也可以首先用手术治疗，然后单独或通过辐射和化疗的组合进行放射治疗。
放射疗法在治疗头部和颈部有效癌症通过减缓或停止新癌细胞的生长。然而，它也可能损害口腔组织，破坏口腔细菌平衡，造成不良副作用如喉咙痛，口腔溃疡，味道损失和口干。当喉咙痛严重时，它们可以使患者难以食用并且可能导致体重减轻或需要临时插入进料管。几乎所有头颈癌患者都会经历一些治疗的负面影响。
“能够识别哪些患者是最大的风险，允许辐射肿瘤学家采取措施预防或减轻这些可能的副作用，”雷迪博士说。“如果患者具有中间风险，并且它们可能通过治疗而不需要喂食管，我们可以采取预防措施，例如将它们与营养师设置并提供营养补充剂。如果我们知道他们的喂食管展示风险非常高的是50％的几率，他们需要一个 - 我们可以提前放置它，所以他们不必在治疗后进入医院。我们知道要保持仔细的患者。“
模型对体重显著下降的可能性(AUC = 0.751)和喂食管放置的需要(AUC = 0.755)的预测精度较高。
“这项研究中使用的模型在预测这两种结果方面一直都很好，”Reddy博士说。“你可以对一个或一系列患者重新运行这些模型，得到一个数字，说明这种副作用可能发生或不会发生。”
例如，使用他们的模型，临床医生博士说，临床医生可能会插入与特定患者有关的信息 - 例如年龄，性别，癌症类型和其他不同的变量 - 而模型可能会告诉他们“百分之八十人”就像你用这种临床型材一样通过没有喂食管的治疗。它可能并不完美，但它比没有理解更好。“
该模型缺乏预测具有足够临床有效性（AUC = 0.64）的计划生育住院。Reddy博士说，重新编辑具有更多“培训”数据的分析可以提高预测这一副作用的准确性。“随着我们治疗越来越多的患者，样本大小变得更大，所以每个数据点都应该变得更好。我们可能没有足够的信息累积了该模型的这个方面。”
虽然机器学习方法无法隔离单一预测因素或导致负副作用的因素的组合，但它可以为患者及其临床医生提供更好地了解在待遇过程中预期的内容，说reddy。除了预测副作用的可能性外，机器学习模型可能会预测哪些治疗计划对于不同类型的患者来说是最有效的，并允许更多地对辐射肿瘤学的方法进行更加个性化的辐射肿瘤。
Reddy博士说:“机器学习可以通过减少出错风险，让医生更有效率，治疗更安全。”“它有可能影响方方面面放射肿瘤学今天，电脑可以查看数据并识别模式的任何东西。”
摘要，“应用机器学习方法来预测急性辐射头部和颈部癌症患者的毒性，将详细介绍Astro的第61次在芝加哥的年会。
用户评论