亚历山大·勃朗宁（Alexander P.Browning）。；托马斯·莱文。；露丝·E·贝克。；美尼，菲利普·K。；爱德华多·莫罗斯。；吉米·考德尔；海伦·M·伯恩。；海科·恩德林 使用数学模型利用实时临床数据预测放射治疗患者的预后。 （英语） Zbl 1531.92044号 牛市。数学。生物。 86，第2号，第19号论文，第27页（2024年）; 更正同上，第86号，第4号，第35号论文，第2页（2024年）。 摘要：来自头颈部癌症患者的纵向肿瘤体积数据表明，具有可比治疗前大小和分期的肿瘤对相同放射治疗分级方案的反应可能非常不同。在这种情况下，通常会提出数学模型来预测治疗结果，并有可能指导临床决策和告知个性化分级方案。在这种情况下，阻碍模型有效使用的是临床测量的稀疏性，以及产生所有可能的患者反应所需的模型复杂性。在这项工作中，我们提出了肿瘤体积和肿瘤组成的分区模型，尽管相对简单，但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，并利用现有临床数据队列来生成肿瘤体积进展和患者整个治疗过程中相关不确定性水平的预测模型。为了捕获患者间的变异性，所有模型参数都是特定于患者的，开发了一种自举粒子过滤器样的贝叶斯方法，将一组训练数据建模为先验知识。我们针对一组看不见的数据验证了我们的方法，并证明了我们训练的模型的预测能力及其局限性。 MSC公司： 92 C50 医疗应用（通用） 62页第10页 统计学在生物学和医学中的应用；元分析 关键词：头颈癌；预测模型；患者可变性；异质性；不确定性；放射治疗 PDF格式BibTeX公司 XML格式引用 \文本{A.P.Browning}等人，Bull。数学。生物学86，第2期，论文19，27页（2024；Zbl 1531.92044） 全文： 内政部 arXiv公司 OA许可证 参考文献： [1] 阿方索，JCL；北加吉埃拉。；Núñez，L.，估计放射治疗中的剂量画效应：一个数学模型，PLoS ONE，9，2，e89380（2014）·doi:10.1371/journal.pone.0089380 [2] Araujo，RP；McElwain，DLS，《实体肿瘤生长研究史：数学模型的贡献》，《子弹数学生物学》，66，5，1039（2003）·Zbl 1334.92187号 ·doi:10.1016/j.bulm.2003.11.002 [3] 比利时，L。；Morbelli，SD；Corvó，R.，《预测头颈部肿瘤的反应：关注研究中的主要热点》，Front Oncol，10，604965（2021）·doi:10.3389/fonc.2020.604965 [4] Bobadilla，副总裁；缅因州，PK；Byrne，H.，《说明亚致死损伤修复的肿瘤控制概率随机模型》，《数学医学生物学杂志》IMA，35，2，181-202（2017）·Zbl 1404.92102号 ·doi:10.1093/imammb/dqw024 [5] Brady，R。；Enderling，H.，《癌症数学模型：何时预测新疗法，何时不预测》，《子弹数学生物学》，81，10，3722-3731（2019）·doi:10.1007/s11538-019-00640-x [6] 布朗宁，AP；Simpson，MJ，Geometric analysis允许使用简单替代物从复杂的不可识别模型中进行生物学洞察，《公共科学图书馆·计算生物学》，19，1，e1010844（2023）·doi:10.1371/journal.pcbi.1010844 [7] 布朗宁，AP；夏普，JA；Murphy，RJ，肿瘤球体结构的定量分析，eLife，10，e73020（2021）·doi:10.7554/elife.73020 [8] 布鲁诺，R。；博蒂诺，D。；De Alwis，DP，使用肿瘤动力学模型推进临床癌症治疗的进展和机遇，《临床癌症研究》，26，8，1787-1795（2020）·doi:10.1158/1078-0432.ccr-19-0287 [9] 考德尔，JJ；托雷斯-罗卡，JF；Gillies，RJ，《头颈癌个性化放射治疗的未来》，《柳叶刀Oncol》，18，5，266-273（2017）·doi:10.1016/s1470-2045（17）30252-8 [10] Chvetsov，AV，放射治疗过程中肿瘤体积变化导致的头颈癌肿瘤反应参数，Med Phys，40，3，034101（2013）·数字对象标识代码：10.1118/1.4789632 [11] Chvetsov，AV；Dong，L。；Palta，JR，使用四级细胞群模型模拟头颈癌放射治疗期间的肿瘤体积，《国际放射Oncol杂志》，75，2，595-602（2009）·doi:10.1016/j.ijrobp.2009.04.007 [12] 查韦佐夫，AV；雅采夫，S。；Schwartz，JL，使用肿瘤体积变化数据评估非小细胞肺癌肿瘤放射敏感性的患者间异质性，Med Phys，41，61064101（2014）·数字对象标识代码：10.1118/1.4875686 [13] 红葡萄酒，L。；Girard，P。；Hoff，PM，基于II期肿瘤动力学的结直肠癌III期总生存率的模型预测，临床肿瘤杂志，27，25，4103-4108（2009）·doi:10.1200/jco.2008.21.0807 [14] 科利斯，J。；AJ康纳；Paczkowski，M.，《肿瘤生长预测模型的贝叶斯校准、验证和不确定性量化：教程》，《子弹数学生物学》，79，4，939-974（2017）·Zbl 1372.92042号 ·doi:10.1007/s11538-017-0258-5 [15] 恩德林，H。；帕克·D。；Hlatky，L.，《茎的空间分布和增殖状态在确定肿瘤放射反应中的重要性》，数学模型Natl Phenom，4，3，117-133（2009）·Zbl 1165.92022号 ·doi:10.1051/mmnp/20094305 [16] 恩德林，H。；阿方索，JCL；Moros，E.，《将数学模型融入个性化自适应放射治疗路线图》，《癌症趋势》，第5期，第8期，第467-474页（2019年）·doi:10.1016/j.trecan.2019.06.006 [17] 福勒，JF，肿瘤放射生物学的发展——个人观点，《物理医学生物学》，51，13，263-286（2006）·doi:10.1088/0031-9155/51/13/r16 [18] 高，X。；麦当劳，JT；Hlatky，L.，急性和分次照射对胶质瘤干细胞分裂动力学的差异调节，《癌症研究》，73，5，1481-1490（2013）·doi:10.1158/0008-5472.can-12-3429 [19] 加滕比，RA；俄亥俄州格罗夫。；Gillies，RJ，《癌症进化和生态学中的定量成像》，放射学，269，1，8-14（2013）·doi:10.1148/无线电.13122697 [20] Gelman，A。；古德里奇，B。；Gabri，J.，贝叶斯回归模型的R平方，《美国统计》，73，3，307-309（2019）·Zbl 07588159号 ·doi:10.1080/00031305.2018.1549100 [21] 吉利斯，RJ；Balagurunathan，Y.，乳腺癌的灌注MR成像：使用“栖息地成像”的见解，放射学，288，1，36-37（2018）·doi:10.1148/radiol.2018180271 [22] 龚，J。；桑托斯，MMD；Finlay，C.，更复杂的肿瘤控制概率模型更好吗？，数学医学生物学，30，1，1-19（2011）·Zbl 1318.92029号 ·doi:10.1093/imammb/dqr023 [23] HP Greenspan，《扩散法实体肿瘤生长模型》，Stud Appl Math，51，4，317-340（1972）·Zbl 0257.92001号 ·doi:10.1002/作业1972514317 [24] Hanin，LG，肿瘤对分割辐射反应的随机模型：极限定理和收敛速度，Math Biosci，191，1，1-17（2004）·Zbl 1074.92020年 ·doi:10.1016/j.mbs.2004.04.003 [25] 我·哈什。；恩德林，H。；Brady-Nicholls，R.，预测患者特定的肿瘤动力学：需要多少测量？，癌症，15，5，1368（2023）·doi:10.3390/cancers15051368 [26] Kreutz，C。；Raue，A。；Timmer，J.，动态模型预测的基于似然的可观测性分析和置信区间，BMC系统生物学，6，1，120（2012）·doi:10.1186/1752-0509-6-120 [27] BAJ劳森；德罗万迪，CC；Cusimano，N.，《通过将模型种群校准为数据密度来解锁数据集：心房电生理研究》，《科学进展》，4，1，e1701676（2018）·doi:10.1126/sciadv.1701676 [28] Lewin，T。；Kim，J。；Latifi，K.，增殖饱和指数预测口咽鳞癌总肿瘤体积减少，以前瞻性地确定接受适应性放射治疗的患者，《国际放射肿瘤生物物理杂志》，94，4，903（2016）·doi:10.1016/j.ijrobp.2015.1216 [29] Lewin，TD；缅因州，PK；Moros，EG，分割放疗期间肿瘤成分的演变：对结果的影响，《子弹数学生物学》，80，5，1207-1235（2018）·Zbl 1394.92061号 ·doi:10.1007/s11538-018-0391-9 [30] Lewin，TD；HM Byrne；Maini，PK，肿瘤内死亡物质对放射治疗动力学反应的重要性，Phys Med Biol，65，1，015007（2020）·doi:10.1088/1361-6560/ab4c27 [31] McAneney，H。；O'Rourke，SFC，《放射治疗线性二次模型中实体肿瘤生长的各种生长机制研究》，《物理医学生物学》，52，4，1039-1054（2007）·doi:10.1088/0031-9155/52/4/012 [32] 麦基，KP；Hwang，K。；Sullivan，DC，放射肿瘤学中的磁共振生物标志物：AAPM任务组294的报告，Med Phys，48，7，e697-e732（2021）·doi:10.1002/mp.14884 [33] 道德，PD；Doucet，A。；Jasra，A.，顺序蒙特卡罗采样器，J R Stat Soc Ser B Stat Methodol，68，3，411-436（2006）·Zbl 1105.62034号 ·文件编号：10.1111/j.1467-9868.2006.00553.x [34] 帕克，JC；Song，B。；Liang，X.，CBCT引导的在线自适应治疗的高分辨率锥束计算机断层扫描（HRCBCT）重建框架，Med Phys（2023）·doi:10.1002/mp.16734 [35] Poleszczuk，J。；Walker，R。；Moros，EG，基于增殖饱和指数的数学模型选择预测患者特定的放射治疗方案，Bull Math Biol，80，5，1195-1206（2018）·Zbl 1394.92063号 ·doi:10.1007/s11538-017-0279-0 [36] 波瓦提尔，GG；亚当森，DJA；MAJ Chaplain，《朝向预测实体肿瘤对化疗和放疗治疗的反应：计算模型的临床见解》，《公共科学图书馆-计算生物学》，9，7，e1003120（2013）·doi:10.1371/journal.pcbi.1003120 [37] 波瓦提尔，GG；蒙罗，AJ；马萨诸塞州查普兰，《旁观者效应及其对临床放射治疗的影响：从多尺度硅实验中的见解》，《Theor Biol杂志》，401，1-14（2016）·Zbl 1343.92130号 ·doi:10.1016/j.jtbi.2016.04.010 [38] 普罗科皮奥，S。；莫罗斯，EG；Poleszczuk，J.，用于预测放射反应和个性化放射治疗分级的增殖饱和指数，Radia-Toncol，10，1，159（2015）·doi:10.1186/s13014-015-0465-x [39] 里巴，B。；科林，T。；Schnell，S.，癌症的多尺度数学模型及其在分析放射治疗中的应用，Theor Biol Med模型，3，1，7（2006）·doi:10.1186/1742-4682-3-7 [40] 里巴，B。；Kaloshi，G。；Peyre，M.，化疗或放疗治疗的低度胶质瘤的肿瘤生长抑制模型，《临床癌症研究》，18，18，5071-5080（2012）·doi:10.1158/1078-0432.ccr-12-0084 [41] 理查德，M。；柯克比，K。；Webb，R.，细胞对辐射反应的数学模型，Nucl Instr Methods Phys Res Sect B Beam Inter Mater Atoms，255，1，18-22（2007）·doi:10.1016/j.nimb2006.11.077 [42] Rockne RC，Frankel P（2017）《放射肿瘤学的数学建模》。收录：Wong JYC、Schultheiss TE、Radany EH（eds）《放射肿瘤学进展》。癌症治疗与研究，第255-271页。doi:10.1007/978-3-319-53235-6 [43] Rockne，R。；阿尔沃，EC；Rockhill，JK，脑肿瘤对放射治疗反应的数学模型，《数学生物学杂志》，58，4-5，561（2009）·Zbl 1311.92108号 ·doi:10.1007/s00285-008-0219-6 [44] Rockne，R。；罗克希尔，JK；Mrugala，M.，《预测体内单个胶质母细胞瘤患者放疗的疗效：数学建模方法》，《物理医学生物学》，55，12，3271-3285（2010）·doi:10.1088/0031-9155/55/12/001 [45] Rockne，钢筋混凝土；特里斯特，AD；Jacobs，J.，使用18F-FMISO-PET建立胶质母细胞瘤低氧调节辐射阻力的患者特定计算模型，J R Soc Interf，12，103，20141174（2015）·doi:10.1098/rsif.2014.1174 [46] Rockne，钢筋混凝土；Hawkins-Daarud，A。；KR Swanson，《2019年肿瘤数学路线图》，Phys Biol，16，4，041005（2019）·doi:10.1088/1478-3975/ab1a09 [47] 萨克斯，R。；赫拉茨基，L。；Hahnfeldt，P.，肿瘤生长和抗血管生成或放射治疗的简单ODE模型，数学计算模型，33，12-13，1297-1305（2001）·Zbl 1004.92023号 ·doi:10.1016/s0895-7177（00）00316-2 [48] 塞勒姆，A。；小，RA；Latif，A.，氧增强MRI是可行的、可重复的，可检测异种移植模型和非小细胞肺癌患者中放射治疗引起的缺氧变化，《临床癌症研究》，25，13，3818-3829（2019）·doi:10.1158/1078-0432.ccr-18-3932 [49] 斯科特，JG；Berglund，A。；Schell，MJ，《调整放疗剂量的基于基因组的模型（GARD）：一项基于队列的回顾性研究》，《柳叶刀Oncol》，18，2，202-211（2017）·doi:10.1016/s1470-2045（16）30648-9 [50] 夏尔马，S。；贝克曼，J。；Lin，A.，口咽鳞癌患者中延长诊断到治疗间隔（DTI）的临床影响，口腔癌，56，17-24（2016）·doi:10.1016/j.oralonology.2016.02.010 [51] 史蒂文斯，C。；邦迪，SJ；Loblaw，DA，《前列腺癌诊断和放射治疗中的等待时间》，加拿大泌尿协会J，4，4，243-8（2013）·doi:10.5489/cuaj.873 [52] 孙，Y。；雷诺兹，HM；Wraith，D.，《利用多参数磁共振成像和机器学习进行体素前列腺细胞密度预测》，Acta Oncol，57，11，1540-1546（2018）·doi:10.1080/0284186x.2018.1468084 [53] Sunassee，教育部；Tan，D。；Ji，N.，用自适应贝叶斯方法预测患者特定放射治疗反应的增殖饱和指数，国际放射生物学杂志，95，10，1421-1426（2019）·doi:10.1080/09553002.2019.1589013 [54] 塔里克，I。；Chen，T。；Kirkby，NF，放射治疗期间单个患者肿瘤体积变化的建模和贝叶斯自适应预测，Phys Med Biol，61，5，2145-2161（2016）·doi:10.1088/0031-9155/61/5/2145 [55] Torres-Roca，JF，《肿瘤放射敏感性的分子检测：基于生物学的个性化放射治疗路线图》，《个人医学》，9，5，547-557（2012）·doi:10.2217/pme.12.55 [56] Vihola M（2020）采用自适应马尔可夫链蒙特卡罗的人机工程学和可靠贝叶斯推断。威利统计参考：在线统计参考第1-12页。doi:10.1002/9781118445112.stat08286 [57] 王，P。；Feng，Y.，放射治疗过程中肿瘤体积变化的数学模型，科学世界杂志，2013，181070（2013）·doi:10.1155/2013/181070 [58] Wang，L。；科雷亚，CR；Hayman，JA，III期非小细胞肺癌患者的治疗时间，国际放射肿瘤杂志，74，3，790-795（2009）·doi:10.1016/j.ijrobp.2008.039 [59] Welch，BL，当涉及几个不同的人口差异时，“学生”问题的概括，《生物特征》，34，1-2，28（1947）·Zbl 0029.40802号 ·doi:10.2307/2332510 [60] Yankeelov，TE；Atuegwu，N。；Hormuth，D.，《肿瘤生长和治疗反应的临床相关模型》，《科学与运输医学》，5，187，1879（2013）·doi:10.1126/scitranslmed.3005686 [61] 密苏里州扎希德；穆罕默德，ASR；考德尔，JJ，《头颈癌放射治疗剂量个性化的动态适配放射治疗剂量（DARD）》，《个人医学杂志》，11，11，1124（2021）·数字对象标识代码：10.3390/jpm1111124 [62] Zahid MU、Mohsin N、Mohamed AS等人（2021年）利用动态承载力模型预测头颈癌患者对放射治疗的反应。国际放射肿瘤杂志111（3）：693-704。doi:10.1016/j.ijrobp.2021.05.132 [63] Zaider，M。；Minerbo，GN，肿瘤控制概率：适用于任何时间给药方案的制剂，Phys Med Biol，45，2279-293（2000）·doi:10.1088/0031-9155/45/2/303 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。