原題
Stereotactic Radiation Therapy for Lung Cancer Brain Metastases: Dose Optimization and Prognostic Prediction via Biologically Effective Dose-Based Empirical Dose-Response Modeling and Extreme Gradient Boosting-SHapley Additive Explanations Machine Learning.
背景:肺転移に対するSRSにおけるBED, 腫ようサイズ,神経学的状態および標的療法の影響を調べるための解釈可能なMLと組み合わせたBED用量-反応モデリング。
方法:遡及的449サイバーナイフ治療患者;サイズ層別化BEDロジスティックモデルはTCDを推定した;XGBoostは早期のKPS低下と腫瘍制御を予測した;SHAPは解釈可能性を提供した。
結果:線量反応は容積によって異なり、2-3 cmの病変は最も高いTCD(約62.5 Gy)を示した。早期KPS低下に対するXGBoost AUC 0.874。SHAP:低BED(30-60 Gy)はベースライン時の不良でKPS低下リスクを上昇させ、高BED(60-90 Gy)はベースライン時の良好で保護的であった。標的療法と高BEDの併用は相乗的にコントロールを改善した。
結論:容積およびベースラインに依存するBED効果は、個別化された投与を支持する;MLを統合することは、局所制御を最適化するために、高いBEDを有する継続的な標的療法に有利である。
Journal: Adv Radiat Oncol (CiteScore 2022: 4.5)
DOI: 10.1016/j.adro.2026.102147
PMID: 42644064
コメント