文献

J-GLOBAL ID：202002276527226011   整理番号：20A0532441

放射線腫瘍学における多クラス機械学習分類における過剰な落とし穴とそれらを避ける方法【JST・京大機械翻訳】

Overlooked pitfalls in multi-class machine learning classification in radiation oncology and how to avoid them

著者 (3件)： Chatterjee Avishek (McGill University, Medical Physics Unit, Montreal, QC, Canada) ,  Vallieres Martin (McGill University, Medical Physics Unit, Montreal, QC, Canada) ,  Seuntjens Jan (McGill University, Medical Physics Unit, Montreal, QC, Canada)
資料名： Physica Medica  (Physica Medica)
巻： 70  ページ： 96-100  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： 放射線腫瘍学において,機械学習分類出版物は,典型的には遠隔転移の有無の2つの転帰クラスに関連している。しかしながら,多クラス分類問題は,例えば,肺照射後の治療合併症のグレードを予測する,大きな臨床的関連性を有する。本研究は,統計的ブラインドの傾向が少ないこのドメインでの研究を目的とした2つの研究から成る。マルチクラス分類において,AUCは定義されないが,相関係数は定義されない。相関係数値(AUC値の値)を単に量子化するだけでなく,適切な選択であると思われる。最初の研究では,この選択が誤っている理由のモンテカルロ(MC)モデルを用いて説明した。また,複数のクラスが順序ではないが,名目的な場合についても考察し,ピアソンあるいはスピアマン相関係数が不完全な情報を提供するだけでなく,実際に意味があることを説明した。第2の研究は,臨床エンドポイントに対する代理バイオマーカーに関するものであり,早期評価,安価,非侵襲性の可能性を含む利点を持っている。MC実験を用いて,代理マーカーから導出された結論がどのように誤解できるかを示した。模擬エンドポイントは放射線毒性(0~5のスケール)であった。代理マーカーは真の毒性グレードプラスノイズ用語であった。1つの対照を含む5人の患者コホートをシミュレーションした。2つのコホートは毒性に統計的に有意な差を持つように設計された。バイオマーカーを用いた1000回の反復実験の下で,これらの2つのコホートは統計的に区別できず,そのような発生の割合はノイズのレベルとともに上昇することがしばしば見出された。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： 量子化 ,  モンテカルロ法 ,  合併症 ,  母集団 ,  放射線医学 ,  雑音 ,  *放射線 ,  バイオマーカー ,  相関係数 ,  刊行物 ,  *機械学習
準シソーラス用語： 代用マーカー ,  非侵襲 ,  エンドポイント ,  遠隔転移 , 【Automatic Indexing@JST】

著者キーワード (4件)： 機械学習 ,  マルチクラス分類 ,  放射線学 ,  代理マーカー

分類 (2件)： 腫ようの放射線療法  (GE03034K) ,  人体の汚染及び防止  (MB02020Z)

タイトルに関連する用語 (4件)： 放射線腫瘍学 ,  クラス ,  機械学習 ,  分類