多模态多分类器融合模型预测放射性口腔黏膜炎的性能

摘要

目的 评估不同放射性口腔黏膜炎（RIOM）预测模型的性能，对比分析分层多模态多分类器融合（H-MCF）模型的有效性。方法 回顾性收集2022年9月～2023年2月在广州医科大学附属肿瘤医院接受观察和治疗的198例放射性口腔黏膜炎局部晚期鼻咽癌患者的数据。基于口腔放射剂量-体积参数与鼻咽癌相关的临床特征，针对不同特征选择算法和分类器两两组合得到基础分类模型。我们使用基于多准则决策的多分类器融合模型（MCF）和它的变体——H-MCF模型对基础分类模型进行融合。通过对各个模态的基础分类模型与MCF模型的性能、多模态的基础模型和MCF模型以及H-MCF模型的性能、单模态与多模态模型的性能、H-MCF与MCF以及其他集成分类器的性能进行分析比较，并通过ROC曲线下面积（AUC）、准确率（ACC）、灵敏度（SEN）和特异度（SPE）4种评价指标来评估模型的泛化性能，分析RIOM预测模型有效性。结果 结合多模态特征后，H-MCF模型在预测严重RIOM方面达到了最高的准确性（AUC=0.883,ACC=0.850,SEN=0.933,SPE=0.800）。结论 相较于单个分类器的预测结果，结合临床和剂量两种模态的多分类器融合算法在预测严重RIOM发病率方面表现更优。

关键词

鼻咽癌 / 放射性口腔黏膜炎 / 人工智能 / 多分类器 / 多准则决策