使用数学建模预测放射治疗患者的实时临床数据与结果
摘要：从头颈部癌症患者的纵向肿瘤体积数据可以看出，相同的治疗前大小和阶段的肿瘤对相同的放疗分割协议可能会有非常不同的反应。数学模型通常用于预测这种情况下的治疗结果，并有潜力指导临床决策和个性化的分割协议。在这种情况下，有效使用模型的复杂性复杂性是临床测量稀缺与产生全范围可能患者反应所需的模型复杂性的并置。在这项工作中，我们提出了一个肿瘤体积和肿瘤组分的区域模型，我们证明了尽管相对简单，它能够产生广泛的患者反应。然后，我们开发了新的统计方法，并利用现有的临床数据集产生了一个预测模型，该模型可以预测肿瘤体积的进展以及通过患者治疗过程中不断发展的不确定性水平。为了捕捉患者间的变异性，所有模型参数都是特定于患者的，并采用了一种基于自举粒子滤波器的贝叶斯方法来将训练数据子集建模为先验知识。我们验证了我们的方法针对一部分未见过的数据，并展示了我们训练模型的预测能力及其局限性。
作者：Alexander P. Browning, Thomas D. Lewin, Ruth E. Baker, Philip K. Maini, Eduardo G. Moros, Jimmy Caudell, Helen M. Byrne, and Heiko Enderling
论文ID：2201.02101
分类：Tissues and Organs
分类简称：q-bio.TO
提交时间：2023-05-26