文献

J-GLOBAL ID：202002216014481146   整理番号：20A0795230

機械学習は放射線学における体積交絡効果の同定を助ける【JST・京大機械翻訳】

Machine learning helps identifying volume-confounding effects in radiomics

著者 (11件)： Traverso Alberto (Department of Radiation Oncology (MAASTRO), GROW School for Oncology and Developmental Biology, Maastricht University Medical Centre+, Maastricht, The Netherlands) ,  Traverso Alberto (Radiation Medicine Program, Princess Margaret Cancer Centre, Toronto, Canada) ,  Kazmierski Michal (Department of Radiation Oncology (MAASTRO), GROW School for Oncology and Developmental Biology, Maastricht University Medical Centre+, Maastricht, The Netherlands) ,  Zhovannik Ivan (Department of Radiation Oncology (MAASTRO), GROW School for Oncology and Developmental Biology, Maastricht University Medical Centre+, Maastricht, The Netherlands) ,  Zhovannik Ivan (Department of Radiation Oncology, Radboudumc, Nijmegen, The Netherlands) ,  Welch Mattea (Department of Radiation Oncology (MAASTRO), GROW School for Oncology and Developmental Biology, Maastricht University Medical Centre+, Maastricht, The Netherlands) ,  Welch Mattea (Radiation Medicine Program, Princess Margaret Cancer Centre, Toronto, Canada) ,  Wee Leonard (Department of Radiation Oncology (MAASTRO), GROW School for Oncology and Developmental Biology, Maastricht University Medical Centre+, Maastricht, The Netherlands) ,  Jaffray David (Radiation Medicine Program, Princess Margaret Cancer Centre, Toronto, Canada) ,  Dekker Andre (Department of Radiation Oncology (MAASTRO), GROW School for Oncology and Developmental Biology, Maastricht University Medical Centre+, Maastricht, The Netherlands) ,  Hope Andrew (Radiation Medicine Program, Princess Margaret Cancer Centre, Toronto, Canada)
資料名： Physica Medica  (Physica Medica)
巻： 71  ページ： 24-30  発行年： 2020年 
JST資料番号： W3316A  ISSN： 1120-1797  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 放射線ベースのモデルにおけるバイアスのリスクを強調することは,それらの品質を向上させ,診療所における意思決定支援システムとしての使用を増加させる助けとなる。本研究では,機械学習に基づく方法を用いて,放射線学的特徴における体積交絡効果の存在を同定した。【方法】841の放射線学的特徴を,オープンソースソフトウェアを用いて,肺および頭頚部癌の2つの遡及的に入手可能なデータセットから抽出した。教師なし階層的クラスタリングと主成分分析(PCA)は,放射線学と臨床転帰(全体的生存)の間の関係を同定した。ロジスティック回帰によるブートストラッピング技術は,特徴の予後力とロバスト性を検証した。結果:80%の特徴は,大きな対相関を有した。特徴のほぼ30%は腫瘍容積と強い相関を示した。クラスタ化とPCAに対する体積独立特徴を用いることは,患者のリスク層別化を可能にしなかった。臨床予測因子は,ブートストラッピングとロジスティック回帰において,放射線学的特徴を上回った。結論:放射線学における安全性の採用は,放射線学研究の質を改善するために不可欠である。著者らは,機械学習(ML)に基づくロバストな放射性記号開発のための方法を提案した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *放射線医学 ,  *機械学習 ,  *放射線 ,  予後 ,  クラスタ化 ,  主成分分析 ,  ロバスト性 ,  意思決定支援システム ,  ブートストラップ ,  バイアス ,  頭頚部腫瘍
準シソーラス用語： 予測因子 ,  対相関 ,  ロジスティック回帰分析 ,  オープンソース , 【Automatic Indexing@JST】

著者キーワード (5件)： 放射線学 ,  機械学習 ,  予測 ,  肺 ,  頭頚部

分類 (1件)： 腫ようの放射線療法  (GE03034K)

タイトルに関連する用語 (5件)： 機械学習 ,  放射線学 ,  体積 ,  交絡 ,  同定