TH‐C‐213AB‐03: Bayesian Network Framework for Biophysical Radiation Pneumonitis Modeling
Notice bibliographique
Résumé
Purpose: To build a biophysical risk model of radiation pneumonitis (RP) using a Bayesian Network (BN) framework for combining biomarker information with dosimetric parameters. Methods: 22 non‐small‐cell lung cancer patients who received radiotherapy (RT) between 2006 to 2009 were selected. Blood samples were collected from each patient before and during RT. From each sample the concentration of the following four candidate biomarkers were measured: alpha‐2‐macroglobulin (a2M), angiotensin converting enzyme (ACE), transforming growth factor ß(TGF‐ß), and interleukin‐6 (IL‐6). The biomarker information was reduced to a subset of variables whose linear combination showed the highest correlation with RP via logistic regression analysis. The selected biomarker variables were combined with two dosimetric known RP parameters (mean lung dose, tumor position in superior‐inferior direction) as features to learn a BN classifier for predicting RP onset. Predictive power of the learned BN classifier was compared with a logistic regression and Naïve Bayes classifiers in a simulated validation dataset. Results: The following 5 biomarker variables were selected for BN learning: 1) pre‐RT concentration level of a2M, 2) ratio of pre‐ to intra‐RT levels of a2M, 3) intra‐RT IL‐6 level, 4) ratio of pre‐ to intra‐RT levels of TGF‐β, and 5) pre‐RT ACE level. The learned BN structure identified the probabilistic relations amongst the 7 features and RP where the role of a2M as a mediator of biological interaction was noticed. Performance of the BN classifier was 0.873, 0.959, and 0.676 for overall classification accuracy, positive and negative predictive power, respectively. It outperformed a logistic regression and a Naïve Bayes counterpart in terms of overall accuracy and positive predictive value. Conclusions: The presented BN approach has a potential to enhance the prediction power of RP by explicitly modeling interactions between physical and biological variables, which can also be used to validate or guide further biomarker research of RP.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».