Predicting VMAT patient-specific QA results using a support vector classifier trained on treatment plan characteristics and linac QC metrics
Notice bibliographique
Résumé
The use of treatment plan characteristics to predict patient-specific quality assurance (QA) measurement results has recently been reported as a strategy to help facilitate automated pre-treatment verification workflows or to provide a virtual assessment of delivery quality. The goal of this work is to investigate the potential of using treatment plan characteristics and linac performance metrics (i.e. quality control test results) in combination with machine learning techniques to predict the results of VMAT patient-specific QA measurements. Using features that describe treatment plan complexity and linac performance metrics, we trained a linear support vector classifier (SVC) to classify the results of VMAT patient-specific QA measurements. The 'targets' in this model were simple classes representing median dose difference between measured and expected dose distributions-'hot' if the median dose deviation was >1%, 'cold' if it was <-1%, and 'normal' if it was within ±1%. A total of 1620 unique patient-specific QA measurements were available for model development and testing. 75% of the data were used to develop and cross-validate the model, and the remaining 25% were used for an independent assessment of model performance. For the model development phase, a recursive feature elimination (RFE) cross-validation technique was used to eliminate unimportant features. Model performance was assessed using receiver operator characteristic (ROC) curve metrics. Of the ten features found to be most predictive of patient-specific QA measurement results, half were derived from treatment plan characteristics and half from quality control (QC) metrics characterizing linac performance. The model achieved a micro-averaged area under the ROC curve of 0.93, and a macro-averaged area under the ROC curve of 0.88. This work demonstrates the potential of using both treatment plan characteristics and routine linac QC results in the development of machine learning models for VMAT patient-specific QA measurements.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».