Prediction of skin dose in low‐<scp>kV</scp> intraoperative radiotherapy using machine learning models trained on results of <i>in vivo</i> dosimetry
Notice bibliographique
Résumé
Purpose The purpose of this study was to implement a machine learning model to predict skin dose from targeted intraoperative (TARGIT) treatment resulting in timely adoption of strategies to limit excessive skin dose. Methods A total of 283 patients affected by invasive breast carcinoma underwent TARGIT with a prescribed dose of 6 Gy at 1 cm, after lumpectomy. Radiochromic films were used to measure the dose to the skin for each patient. Univariate statistical analysis was performed to identify correlation of physical and patient variables with measured dose. After feature selection of predictors of in vivo skin dose, machine learning models stepwise linear regression (SLR), support vector regression (SVR), ensemble with bagging or boosting, and feed forward neural networks were trained on results of in vivo dosimetry to derive models to predict skin dose. Models were evaluated by tenfold cross validation and ranked according to root mean square error (RMSE) and adjusted correlation coefficient of true vs predicted values (adj‐R2). Results The predictors correlated with in vivo dosimetry were the distance of skin from source, depth‐dose in water at depth of the applicator in the breast, use of a replacement source, and irradiation time. The best performing model was SVR, which scored RMSE and adj‐R2, equal to 0.746 [95% confidence intervals (CI), 95% CI 0.737,0.756] and 0.481 (95% CI 0.468,0.494), respectively, on the tenfold cross validation. Conclusion The model trained on results of in vivo dosimetry can be used to predict skin dose during setup of patient for TARGIT and this allows for timely adoption of strategies to prevent of excessive skin dose.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».