Aleatoric and epistemic uncertainty extraction of patient-specific deep learning-based dose predictions in LDR prostate brachytherapy
Notice bibliographique
Résumé
Abstract Objective. In brachytherapy, deep learning (DL) algorithms have shown the capability of predicting 3D dose volumes. The reliability and accuracy of such methodologies remain under scrutiny for prospective clinical applications. This study aims to establish fast DL-based predictive dose algorithms for low-dose rate (LDR) prostate brachytherapy and to evaluate their uncertainty and stability. Approach. Data from 200 prostate patients, treated with 125 I sources, was collected. The Monte Carlo (MC) ground truth dose volumes were calculated with TOPAS considering the interseed effects and an organ-based material assignment. Two 3D convolutional neural networks, UNet and ResUNet TSE, were trained using the patient geometry and the seed positions as the input data. The dataset was randomly split into training (150), validation (25) and test (25) sets. The aleatoric (associated with the input data) and epistemic (associated with the model) uncertainties of the DL models were assessed. Main results. For the full test set, with respect to the MC reference, the predicted prostate D 90 metric had mean differences of −0.64% and 0.08% for the UNet and ResUNet TSE models, respectively. In voxel-by-voxel comparisons, the average global dose difference ratio in the [−1%, 1%] range included 91.0% and 93.0% of voxels for the UNet and the ResUNet TSE, respectively. One forward pass or prediction took 4 ms for a 3D dose volume of 2.56 M voxels (128 × 160 × 128). The ResUNet TSE model closely encoded the well-known physics of the problem as seen in a set of uncertainty maps. The ResUNet TSE rectum D 2cc had the largest uncertainty metric of 0.0042. Significance. The proposed DL models serve as rapid dose predictors that consider the patient anatomy and interseed attenuation effects. The derived uncertainty is interpretable, highlighting areas where DL models may struggle to provide accurate estimations. The uncertainty analysis offers a comprehensive evaluation tool for dose predictor model assessment.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».