Earticle

초록

영어

Treatment response to TACE (Transarterial chemoembolization) in patients with HCC (Hepatocellular carcinoma) varies depending on individual patient variables, making accurate prediction of treatment outcomes a significant challenge. Therefore, this study aimed to develop Prediction models for treatment response using various machine learning algorithms, including Logistic Regression, Linear Support Vector Machine, Random Forest, and XGBoost, and to compare their performance to identify the most effective model. The Prediction models were developed using independent variables such as age, sex, BMI (Body Mass Index), hepatitis virus, liver cirrhosis, portal hypertension, biomarker, CBCT (Cone Beam Computed Tomography), and DAP (Dose Area Product), with complete treatment response set as the dependent variable. Performance evaluation showed that Logistic Regression had the highest performance among linear models, while Random Forest demonstrated superior recall (82.12%) among nonlinear models. However, XGBoost outperformed other models in terms of accuracy (78.57%), precision (81.43%), and F1 score (81.71%), demonstrating the best overall predictive performance. These results suggest that the XGBoost model can effectively handle complex clinical data and may be useful in supporting future TACE treatment planning.

한국어

간세포암 환자에서 TACE 치료 반응은 환자의 개별적인 특성에 따라 달라지므로, 치료 효과를 정확히 예측하는 것은 여전히 중요한 도전 과제로 남아 있다. 이에 본 연구에서는 다양한 머신러닝 알고리즘(Logistic Regression, Linear Support Vector Machine, Random Forest, XGBoost)을 활용하여 TACE 치료 반응을 예측하는 모델을 개발하고, 이들의 성능을 비교하여 가장 우수한 모델을 도출하고자 하였다. 나이, 성별, BMI, 간염 바이러스, 간경변증, 문맥 고혈 압, 생체표지자, CBCT, DAP을 독립변수로, 치료 완전반응을 종속변수로 설정하여 예측 모델을 개발하였다. 성능 평가 결과, 선형 모델 중에서는 Logistic Regression이 가장 높은 성능을 보였으며, 비선형 모델에서는 Random Forest가 재현율(82.12%)에서 높은 값을 나타냈다. 그러나 XGBoost는 정확도(78.57%), 정밀도(81.43%), F1 점수(81.71%)에서 더 높은 성능을 보여 종합적으로 가장 우수한 예측력을 보였다. 이러한 결과는 XGBoost 모델이 복잡한 임상 데이터를 효과적으로 처리할 수 있으며, 향후 TACE 치료 계획 수립에 유용하게 활용될 것으로 사료된다.

목차

Abstract
Ⅰ. 서론
Ⅱ. 대상 및 방법
1. 데이터 선정 기준
2. 데이터 정의 및 분류
3. 데이터 개발 및 평가
Ⅲ. 결과
1. Linear Algorithm Models
2. Non-Linear Algorithm Models
3. Algorithm Models
Ⅳ. 고찰
1. 머신러닝 성능비교
2. 연구의 임상적 의미와 한계
3. 향후 연구 방향
Ⅴ. 결론
참고문헌
요약

키워드

저자

• Jong Woon Park [ 박종운 | Department of Radiology, Asan Medical Center, Seoul, Korea ] Corresponding Author
• Sung Ho Bae [ 배승호 | Department of Radiology, Asan Medical Center, Seoul, Korea ]
• Jin Su Kim [ 김진수 | Department of Radiology, Asan Medical Center, Seoul, Korea ]
• Hyung Jin Lee [ 이형진 | Department of Radiology, Asan Medical Center, Seoul, Korea ]
• Hee Jung Lee [ 이희정 | Department of Radiology, Asan Medical Center, Seoul, Korea ]
• Kwang Soo Kim [ 김광수 | Department of Radiology, Asan Medical Center, Seoul, Korea ]
• Hee Ho Chu [ 추희호 | Department of Radiology, Asan Medical Center, Seoul, Korea ]

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  대한디지털의료영상학회논문지 [Korean Journal of Digital Imaging in Medicine]

• 간기

  연3회

• pISSN

  1976-7641

• 수록기간

  1995~2026

• 십진분류

  KDC 510 DDC 610