基于机器学习构建女性盆腔肿瘤放射治疗后放射性直肠炎的预测模型

目的:放射治疗是治疗女性盆腔恶性肿瘤最主要的手段,会引发一些不良反应,最常见的是放射性直肠炎(radiation proctitis,RP)。RP的发生率与放射剂量呈高度正相关。临床上急需一种科学的方法对RP的发生进行精准的预测,以帮助医师进行临床决策。本研究基于女性盆腔肿瘤患者的临床资料及放射治疗的剂量学参数,采用随机森林方法筛选与RP发生相关的核心特征,再通过机器学习算法构建RP发生的风险预测模型,以期为RP的预测和预防提供技术支持和理论依据。方法:回顾性收集2019年1月至2020年12月在湘南学院附属医院放射肿瘤科接受静态三维适形调强放射治疗的女性盆腔肿瘤患者100例,收集其临床相关数据及放疗计划系统数据。在放射治疗期间或放疗结束后的18个月内,有35例出现RP(发生RP组),余65例为未发生RP(未发生RP组)。通过随机森林算法对患者的临床和剂量学特征进行重要度排序,选择与RP发生存在相关性的重要特征进行机器学习建模。首先构建支持向量机、随机森林、logistic回归、轻量级梯度提升机、高斯朴素贝叶斯、自适应增强共6种机器学习模型,然后采用受试者工作特征曲线下面积、准确度、灵敏度、特异度、阳性预测值、阴性预测值、F1分数评估模型的性能,最后确定随机森林模型为预测模型,绘制预测模型的校准曲线及决策曲线来评估模型的准确度和临床受益性。结果:随机森林预测模型在训练集中的受试者工作特征曲线下面积为1.000,准确度为0.988,灵敏度为1.000,特异度为1.000,阳性预测值为1.000,阴性预测值为0.981,F1分数为1.000;在验证集中的受试者工作特征曲线下面积为0.713,准确度为0.640,灵敏度为0.618,特异度为0.822,阳性预测值为0.500,阴性预测值为0.656,F1分数为0.440,表现出较高的预测性能。该预测模型的校准曲线Brief=0.178,预测精度较高,显示预测模型能够在临床上受益。结论:基于女性盆腔肿瘤患者的临床及放射治疗剂量学参数,利用随机森林构建的RP预测模型有较高的预测能力,具有较强的临床可用性。