
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于多模态特征整合的机器学习模型预测局部进展期直肠癌新辅助放化疗放射性皮肤反应的回顾性研究
《Scientific Reports》:Machine-learning-based prediction of acute and late-onset skin reactions after neoadjuvant chemoradiotherapy for rectal cancer: a retrospective cohort study
【字体: 大 中 小 】 时间:2026年09月27日 来源:Scientific Reports 4.9
编辑推荐:
摘要本研究旨在开发和验证用于预测接受新辅助放化疗的局部进展期直肠癌患者急性及晚期放射性皮肤反应的机器学习模型。本回顾性分析纳入了358例局部进展期直肠癌患者。收集了多模态预处理数据,包括临床、解剖、血液学及剂量学数据。单因素分析仅用于描述基线相关性,不作为特征选择的依据。经S
本研究旨在开发和验证用于预测接受新辅助放化疗的局部进展期直肠癌患者急性及晚期放射性皮肤反应的机器学习模型。本回顾性分析纳入了358例局部进展期直肠癌患者。收集了多模态预处理数据,包括临床、解剖、血液学及剂量学数据。单因素分析仅用于描述基线相关性,不作为特征选择的依据。经Spearman相关分析和方差膨胀因子(VIF)评估多重共线性后,使用分层70/30分割和训练集五折交叉验证对六种算法进行了训练。保留独立测试集用于最终评估。性能指标包括AUC、F1分数、准确率、敏感性、特异性、平衡准确率及校准指标。在测试队列中,表现最佳的急性放射性皮肤反应预测模型为XGBoost,AUC达到0.617(95% CI 0.510–0.719)。对于晚期反应,LightGBM取得了最高的判别性能,AUC为0.707(95% CI 0.563–0.845)。与皮肤毒性相关的关键临床及剂量学变量包括肿瘤距肛缘距离、年龄、前白蛋白水平及V5000cGy剂量参数。尽管共线性诊断显示存在明显的多重共线性(尤其是晚期终点),但基于树的模型在各验证折中均保持了稳定的预测性能。总体模型性能表明中等程度的判别能力,所有模型的AUC值均低于0.75。整合多模态临床及剂量学特征的机器学习模型在预测直肠癌患者放射性皮肤毒性方面表现出中等性能。这些结果表明该模型在风险分层方面具有潜在应用价值;然而,在临床应用之前,仍需在更大的前瞻性队列中进行外部验证。