客观的
在使用立体定向放射治疗(SBRT)治疗脊柱转移瘤时,椎体压缩性骨折(VCF)是一种常见且潜在的并发症。需要更好的方法开云体育世界杯赔率来识别辐射诱发的VCF高危患者,以评估预防措施。前处理成像的放射学特征可用于更准确地预测VCF。本研究的目的是开发和评估一种基于临床特征和前处理成像放射学特征的机器学习模型,以预测脊髓转移性SBRT后VCF的风险。
开云体育世界杯赔率
经SBRT治疗的C2至L5椎节段包含转移瘤,如果患者之前没有接受过手术或放疗,则纳入该研究,目标划定基于共识指南,并有1年的随访数据。临床特征,包括患者、疾病和治疗的特征,从图表回顾中获得。在预处理CT和t1加权MRI上提取计划靶体积(PTV)的放射学特征。通过最小绝对收缩和选择算子(LASSO)回归选择的临床和放射学特征被纳入随机森林分类模型,该模型被训练用于预测SBRT后1年内的VCF。采用留一交叉验证法评估模型性能。
结果
在SBRT后1年内,纳入分析的95个椎段中有15个显示新的或进行性VCF。选定的临床特征包括BMI、运动状态、总处方剂量、PTV的99%剂量、腰椎位置以及脊柱不稳定肿瘤评分(SINS)的2个组成部分:溶解性肿瘤特征和脊柱错位。选择的放射学特征包括CT的5个特征和MRI的3个特征。结合选定的临床和放射学特征得出的最佳分类模型灵敏度为0.844,特异性为0.800,受试者工作特征(ROC)曲线下面积(AUC)为0.878。该模型的准确性明显高于仅基于特定临床特征(AUC = 0.795, p = 0.048)或仅基于SINS组成部分(AUC = 0.579, p < 0.0001)的替代模型。
结论
在用SBRT治疗脊柱转移瘤时,一个结合临床特征和预处理成像放射学特征的机器学习模型预测了SBRT后1年的VCF,具有出色的敏感性和特异性,优于仅从临床特征或SINS组成部分开发的模型。如果得到证实,这些发现可能允许更明智地选择患者进行预防性干预。