論文No3770
Dosiomics and radiomics-based prediction of pneumonitis after radiotherapy and immune checkpoint inhibition: The relevance of fractionation
Kim Melanie Kraus,Maksym Oreshko,Julia Anne Schnabel,Denise Bernhardt,Stephanie Elisabeth Combs,Jan Caspar Peeken
LUNG CANCER, VOLUME 189, 107507, MARCH 2024.
<目的>
治療後肺炎(PTP)は、胸部放射線治療やチェックポイント阻害剤(ICI)による免疫療法に関連する副作用である。
PTP発症に対する線量分割方式を含む両者の組み合わせの影響はまだ不明である。
本研究では、機械学習(ML)ベースの予測に対する線量分割の影響を検討することにより、
ICIを併用する肺癌に対する放射線(化学)療法(R(C)T)後のPTPリスク予測を改善することを目的とする。
<材料と方法>
R(C)Tの分割投与を受けた患者100人のデータを収集した。
39人の患者がICI治療を追加された。
コンピュータ断層撮影(CT)、RTセグメンテーション、線量データを抽出し、
異なる分割方式を考慮して物理的線量を2Gy等価線量(EQD2)に変換した。
Pearson相互相関とBorutaアルゴリズムを用いて、1000倍のブートストラップ内で特徴量を削減した。
PTPを予測するために
6つの単一モデル(診療所、線量体積ヒストグラム(DVH)、ICI、化学療法、ラジオミクス、ドシオミクス)と
4つの複合モデル(ラジオミクス+ドシオミクス、ラジオミクス+DVH+診療所、ドシオミクス+DVH+診療所、ラジオミクス+ドシオミクス+DVH+診療所)を訓練した。
線量ベースのモデルは、物理的線量とEQD2を用いてテストされた。
4つのMLアルゴリズム(ランダムフォレスト(rf)、ロジスティック弾性ネット回帰、サポートベクターマシン、logitBoost)を訓練し、5重ネステッドクロスバリデーションと
RでのリサンプリングのためのSynthetic Minority Oversampling Technique(SMOTE)を用いてテストした。
予測は、外側のフォールドのテストセットにおける受信者動作特性曲線下面積(AUC)を用いて評価した。
<結果>
EQD2を用いたすべての特徴量の結合モデルは、他のすべてのモデルを上回った(AUC = 0.77、信頼区間CI 0.76-0.78)。DVH、臨床データ、ICI治療はPTP予測への影響は小さく、AUC値は0.42~0.57であった。
EQD2に基づくモデルはすべて、身体的用量に基づくモデルよりも優れていた。
<結論>
Radiomics+dosiomicsベースの機会学習モデルと臨床モデルおよび線量モデルを組み合わせたモデルは、
R(C)T後のPTP予測に最も適しており、治療前の意思決定を改善できることがわかった。
線量ベースのMLアプローチでは、異なるRT線量分割法を考慮すべきである。
DeepL.com(無料版)で翻訳しました。
Objectives
Post-therapy pneumonitis (PTP) is a relevant side effect of thoracic radiotherapy and immunotherapy with checkpoint inhibitors (ICI). The influence of the combination of both, including dose fractionation schemes on PTP development is still unclear. This study aims to improve the PTP risk estimation after radio(chemo)therapy (R(C)T) for lung cancer with and without ICI by investigation of the impact of dose fractionation on machine learning (ML)-based prediction.
Materials and Methods
Data from 100 patients who received fractionated R(C)T were collected. 39 patients received additional ICI therapy. Computed Tomography (CT), RT segmentation and dose data were extracted and physical doses were converted to 2-Gy equivalent doses (EQD2) to account for different fractionation schemes. Features were reduced using Pearson intercorrelation and the Boruta algorithm within 1000-fold bootstrapping. Six single (clinics, Dose Volume Histogram (DVH), ICI, chemotherapy, radiomics, dosiomics) and four combined models (radiomics + dosiomics, radiomics + DVH + Clinics, dosiomics + DVH + Clinics, radiomics + dosiomics + DVH + Clinics) were trained to predict PTP. Dose-based models were tested using physical dose and EQD2. Four ML-algorithms (random forest (rf), logistic elastic net regression, support vector machine, logitBoost) were trained and tested using 5-fold nested cross validation and Synthetic Minority Oversampling Technique (SMOTE) for resampling in R. Prediction was evaluated using the area under the receiver operating characteristic curve (AUC) on the test sets of the outer folds.
Results
The combined model of all features using EQD2 surpassed all other models (AUC = 0.77, Confidence Interval CI 0.76–0.78). DVH, clinical data and ICI therapy had minor impact on PTP prediction with AUC values between 0.42 and 0.57. All EQD2-based models outperformed models based on physical dose.
Conclusions
Radiomics + dosiomics based ML models combined with clinical and dosimetric models were found to be suited best for PTP prediction after R(C)T and could improve pre-treatment decision making. Different RT dose fractionation schemes should be considered for dose-based ML approaches.