用于肿瘤动态预测的混合机器学习与数学建模：SPIONs 与 mNP-FDG 的比较
定量方法
2025-05-28 v1 软凝聚态物质
医学物理
摘要
这是一项面向特定区域放射治疗的机器学习引导研究。将机器学习（极端梯度提升）与连续介质建模（指数增长和逻辑增长）相结合，我们发现，与超顺磁性氧化铁纳米颗粒（SPIONs）的 18 天相比，氟脱氧葡萄糖包覆的纳米颗粒（mNP-FDG）可在 2 天内控制癌性肿瘤进展；然而对于肿瘤的彻底终止，SPIONs（20 天）优于 mNP-FDG（超过 40 天）。我们还提供了一个使用 Tkinter/Python 开发的交互式图形用户界面（GUI），允许用户输入相关数据（如治疗类型和时间），以接收实时肿瘤体积预测。我们的机器学习引导预测表明联合治疗是最佳选择，其中 mNP-FDG 适合控制肿瘤扩散，随后使用 SPIONs 进行彻底根除，从而促进临床实践中的个性化癌症治疗。
引用
@article{arxiv.2505.21094,
title = {Hybrid Machine Learning and Mathematical Modeling for Tumor Dynamics Prediction: Comparing SPIONs against mNP-FDG},
author = {Amit K Chattopadhyay and Aimee Pascaline N Unkundiye and Gillian Pearce},
journal= {arXiv preprint arXiv:2505.21094},
year = {2025}
}
备注
8 pages, 7 figures