文献

J-GLOBAL ID：202102275882107165   整理番号：21A0074779

計画複雑性とドシオミクス特徴を用いたガンマ通過率の予測と分類性能の改善【JST・京大機械翻訳】

Improvement of prediction and classification performance for gamma passing rate by using plan complexity and dosiomics features

著者 (9件)： Hirashima Hideaki (Department of Radiation Oncology and Image-applied Therapy, Graduate School of Medicine, Kyoto University, Kyoto, Japan) ,  Hirashima Hideaki (Japan Society for the Promotion of Science, Japan) ,  Ono Tomohiro (Department of Radiation Oncology and Image-applied Therapy, Graduate School of Medicine, Kyoto University, Kyoto, Japan) ,  Nakamura Mitsuhiro (Department of Radiation Oncology and Image-applied Therapy, Graduate School of Medicine, Kyoto University, Kyoto, Japan) ,  Nakamura Mitsuhiro (Division of Medical Physics, Department of Information Technology and Medical Engineering, Human Health Sciences, Graduate School of Medicine, Kyoto University, Kyoto, Japan) ,  Miyabe Yuki (Department of Radiation Oncology and Image-applied Therapy, Graduate School of Medicine, Kyoto University, Kyoto, Japan) ,  Mukumoto Nobutaka (Department of Radiation Oncology and Image-applied Therapy, Graduate School of Medicine, Kyoto University, Kyoto, Japan) ,  Iramina Hiraku (Department of Radiation Oncology and Image-applied Therapy, Graduate School of Medicine, Kyoto University, Kyoto, Japan) ,  Mizowaki Takashi (Department of Radiation Oncology and Image-applied Therapy, Graduate School of Medicine, Kyoto University, Kyoto, Japan)
資料名： Radiotherapy and Oncology  (Radiotherapy and Oncology)
巻： 153  ページ： 250-257  発行年： 2020年 
JST資料番号： W3151A  ISSN： 0167-8140  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： 本研究の目的は,容積変調アーク療法(VMAT)治療計画のための機械学習技術とともに,新しい特徴(3Dドシオミクス特徴および計画およびドシオミクス特徴と組み合わせた)を用いてガンマ通過率(GPR)値を予測し,分類することであった。VMATを受けた合計888人の患者を,1255人の治療計画から登録した。さらに,24の計画複雑性特性と851のドシオミクス特徴を治療計画から抽出した。データセットを訓練/検証(80%)と試験(20%)データセットにランダムに分割した。XGBoostを用いた予測と分類のための3つのモデルは次の通りであった。(i)計画複雑性特徴ベースの予測方法(計画モデル);(ii)3Dドシオミクス特徴ベースの予測モデル(ドシオミクスモデル);(iii)以前のモデル(ハイブリッドモデル)の組み合わせ。平均絶対誤差(MAE)と予測と測定GPR間の相関係数(CC)を計算することにより予測性能を評価した。分類性能を曲線下面積(AUC)と感度を計算して評価した。試験データセットにおけるγ2%/2mmでのMAEとCCは,計画モデル,ドシオミクスモデル,およびハイブリッドモデルに対して,それぞれ4.6%と0.58,4.3%と0.61,および4.2%と0.63であった。試験データセットにおけるγ2%/2mmでのAUCと感度は,計画モデル,ドシオミクスモデル,およびハイブリッドモデルに対して,それぞれ,0.73と0.70,0.81と0.90,および0.83と0.90であった。機械学習技法による計画とドシオミクス特徴の組合せは,GPRの予測と分類性能を改良できる。Copyright 2021 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： 予測技法 ,  相関係数 ,  *三次元 ,  治療計画 ,  血中濃度-時間曲線下面積 ,  機械学習 ,  予測モデル
準シソーラス用語： 複雑性 ,  ハイブリッドモデル ,  予測性能 ,  強度変調回転放射線治療 ,  *オミックス ,  平均絶対誤差 , 【Automatic Indexing@JST】

著者キーワード (6件)： 予測 ,  分類 ,  ガンマ通過速度 ,  計画の複雑さの特徴 ,  ドシオミクスの特徴 ,  機械学習

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 (4件)： 計画 ,  複雑性 ,  予測 ,  分類