Lasso logistic regression to derive workflow-specific algorithm performance requirements as demonstrated for head and neck cancer deformable image registration in adaptive radiation therapy
Notice bibliographique
Résumé
As automation in radiation oncology becomes more common, it is important to determine which algorithms are equivalent for a given workflow. Often, algorithm comparisons are performed in isolation; however, clinical context can provide valuable insight into the importance of algorithm features and error magnification in subsequent workflow steps. We propose a strategy for deriving workflow-specific algorithm performance requirements. We considered two independent workflows indicating the need for radiotherapy treatment replanning for 15 head and neck cancer patients (15 planning CTs, 105 on-unit CBCTs). Each workflow was based on a different deformable image registration (DIR) algorithm. Differences in DIR output were assessed using three sets of QA metrics: (1) conventional, (2) workflow-specific, (3) a combination of (1) and (2). For a given set of algorithm metrics, lasso logistic regression modeled the probability of discrepant replan indications. Varying the minimum probability needed to predict a workflow discrepancy produced receiver operating characteristic (ROC) curves. ROC curves were compared using sensitivity, specificity, and the area under the curve (AUC). A heuristic then derived simple algorithm performance requirements. Including workflow-specific QA metrics improved AUC from 0.70 to 0.85, compared to the use of conventional metrics alone. Algorithm performance requirements had high sensitivity of 0.80, beneficial for replan assessments, with specificity of 0.57. This was an improvement over a naïve application of conventional QA criteria, which had sensitivity of 0.57 and specificity of 0.68. In addition, the algorithm performance requirements indicated practical refinements of conventional QA tolerances, indicated where auxiliary workflow processes should be standardized, and may be used to prioritize structures for manual review. Our algorithm performance requirements outperformed current comparison recommendations and provided practical means for ensuring workflow equivalence. This strategy may aid in trial credentialing, algorithm development, and streamlining expert adjustment of workflow output.
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 | 0,017 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 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) | 0,001 | 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 ».