TU‐G‐108‐05: Assessment of Different Machine Learning Techniques for Multivariate Radiation Pneumonitis Modeling
Notice bibliographique
Résumé
Purpose: We intended to perform an independent verification of different machine learning methods for inferring radiation pneumonitis (RP) risk from patient‐specific biological and dosimetric informationMethods: 29 NSCLC patients who received chemoradiation were recruited from two institutions (22 from WUSTL, 7 from McGill). Blood samples were collected from each patient before and during radiotherapy (RT). From each sample the concentration of the five following candidate biomarkers were measured: alpha‐2‐macroglobulin (α2M), angiotensin converting enzyme (ACE), transforming growth factor β (TGF‐β), interleukin‐6 (IL‐6), and osteopontin (OPN). Dimensionality of the raw biomarker data was reduced by a semi‐supervised variable selection scheme. The reduced biomarker variables along with three known dosimetric RP predictors (mean lung dose, V20, tumor position in superior‐inferior direction of the lung) were used as features for classifying high RP risk (CTCAE grade 2 or higher) patients. Four different machine learning methods (Bayesian Network, Logistic Regression, Naive Bayes, Support Vector Machine) were used for training classifiers on the WUSTL subset and were tested with respect to classification performance on the McGill subset. Results: The following 4 biomarker variables were chosen by the variable filtering: (1) pre‐RT concentration level of α2M, (2) ratio of pre‐to intra‐RT levels of α2M, (3) intra‐RT ACE level, (4) intra‐RT TGFβ level. The best performance was achieved by Support Vector Machine in terms of classification accuracy (85.71%) and the area under the ROC curve (AUC) (0.9167). Bayesian Network recorded the same accuracy and slightly lower AUC (0.8750). Less accurate models were Naive Bayes and logistic regression in which overfitting was predominant with the largest difference in classification performance between the training and the testing dataset. Conclusion: Preliminary results from this ongoing study suggests the need of a machine learning approach capable of modeling inter‐relation between physical and biological variables where commonly used multivariate logistic regression would be inappropriate.
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 | 0,007 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».