期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于计划文件的机器学习模型预测胸部IMRT计划的γ通过率
1
作者 崔甜甜 刘湘月 +4 位作者 孟楠 王永强 葛红 娄朝阳 李兵 《中华放射肿瘤学杂志》 北大核心 2025年第1期81-87,共7页
目的构建基于计划参数文件特征的机器学习分类预测模型,预测胸部肿瘤固定野调强放疗剂量验证的γ通过率,并评估计划参数文件在放射治疗质量保证中的应用。方法回顾性分析2022年8月至2023年3月河南省肿瘤医院放疗科收治的240例胸部肿瘤... 目的构建基于计划参数文件特征的机器学习分类预测模型,预测胸部肿瘤固定野调强放疗剂量验证的γ通过率,并评估计划参数文件在放射治疗质量保证中的应用。方法回顾性分析2022年8月至2023年3月河南省肿瘤医院放疗科收治的240例胸部肿瘤患者的固定野调强放疗计划,所有计划的验证均使用瓦里安加速器机载电子射野影像系统探测器采集剂量,并通过Eclipse放射治疗计划的Portal Dosimetry进行剂量验证结果的分析,γ通过率的标准为2%/2 mm、10%剂量阈值。从计划文件提取48个传统计划特征、2476个计划参数文件特征以及二者的组合特征,然后构建自编码器分类模型。计算受试者操作特征曲线下面积(AUC)值与准确度评估传统特征、计划参数文件特征以及二者组合特征在预测γ通过率方面的分类性能。通过20次训练-测试随机拆分系统性评估三种特征的预测效能。结果从提取的传统计划特征和计划参数文件特征中,选取了2个传统特征和16个计划参数文件特征。在测试集,模型使用组合特征、计划参数文件特征、传统计划特征的AUC分别为0.802±0.030、0.740±0.069、0.673±0.083,在训练集中分别为0.844±0.074、0.816±0.047、0.687±0.036。在测试集,模型使用组合特征、计划参数文件特征、传统计划特征的准确度分别为0.752±0.083、0.703±0.110、0.648±0.081,在训练集中分别为0.753±0.098、0.751±0.075、0.624±0.054。结论对于胸部固定野调强放疗计划,可以采用基于计划参数文件特征的机器学习方法构建预测γ通过率的分类模型。将计划参数文件特征和传统计划特征组合可以提高分类模型的预测性能。 展开更多
关键词 机器学习 计划参数文件 调强放疗计划 放射疗法
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部