Evaluating the robustness of dosiomics features over treatment planning parameters: a phantom-based study
Notice bibliographique
Résumé
Dosimetric biomarkers, in terms of dosiomics features, play a crucial role in modeling radiotherapy and should be analyze d for their robustness and stability. This study aims to investigate how these dosiomics features will change over variations in treatment planning parameters. Different treatment plans were created by varying such parameters as field number, dose calculation algorithm, dose grid resolution, energy, monitor units, fraction, dose, field size, multileaf collimator, collimator angle, table angle, source-to-surface distance and source-to-axis distance, and wedge for a hypothetical tumor in the CIRS phantom CT scan. Dosiomics features were extracted with different segment sizes. The coefficient of variation (COV) was used to evaluate dosiomics feature changes with consider COV ≤ 5% as robust features. Our findings showed that many of the dosiomics features had significant variations due to changes in treatment parameters. First-order and gray-level co-occurrence matrix (GLCM) features were more stable (COV ≤ 5%) compared to others. Field and wedge changes had the most significant impact on features, while the dose calculation algorithm, dose, and MU changes had the lesser effects. Dosiomics features were vulnerable over changing treatment parameters and should always be reported. The GLCM features set was the most robust. Further studies are needed to identify robust dosiomics features for future biomarker discovery.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».