Development of a machine learning tool to predict deep inspiration breath hold requirement for locoregional right-sided breast radiation therapy patients
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Background and purpose . This study presents machine learning (ML) models that predict if deep inspiration breath hold (DIBH) is needed based on lung dose in right-sided breast cancer patients during the initial computed tomography (CT) appointment. Materials and methods . Anatomic distances were extracted from a single-institution dataset of free breathing (FB) CT scans from locoregional right-sided breast cancer patients. Models were developed using combinations of anatomic distances and ML classification algorithms (gradient boosting, k-nearest neighbors, logistic regression, random forest, and support vector machine) and optimized over 100 iterations using stratified 5-fold cross-validation. Models were grouped by the number of anatomic distances used during development; those with the highest validation accuracy were selected as final models. Final models were compared based on their predictive ability, measurement collection efficiency, and robustness to simulated user error during measurement collection. Results . This retrospective study included 238 patients treated between 2016 and 2021. Model development ended once eight anatomic distances were included, and the validation accuracy plateaued. The best performing model used logistic regression with four anatomic distances achieving 80.5% average testing accuracy, with minimal false negatives and positives (<27%). The anatomic distances required for prediction were collected within 3 min and were robust to simulated user error during measurement collection, changing accuracy by <5%. Conclusion . Our logistic regression model using four anatomic distances provided the best balance between efficiency, robustness, and ability to predict if DIBH was needed for locoregional right-sided breast cancer patients.
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.
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 découle