CT Heterogeneity and Dose Distribution Patterns in Block and Ring Regions Improved the Prediction of Radiation Pneumonitis
Notice bibliographique
Résumé
To investigate the CT heterogeneity and dose distribution pattern on the occurrence of radiation pneumonitis (RP), this study retrospectively analyzed 251 lung cancer patients. Based on dose values, each patient's CT and Dose images were divided into 8 block and 6 ring regions based on the intersection of specific CT structure and dose region with specific dose value. 1158 radiomics features were extracted from each modality, characterizing shape, density, voxel intensity, and texture features of each region. Dose-Volume Histogram (DVH) parameters were also calculated. Seven machine learning models were used to predict patients' RP status, including Support Vector Machine (SVM), Random Forest (RF), Logistic Regression (LR), K-Nearest Neighbors (K-NN), Adaptive Boosting (AdaBoost), Gradient Boosting Decision Tree (GBDT), and Categorical Boosting (CatBoost) models. The results showed that multi-modal dosimetry and radiomics features are more effective in prediction than DHV parameters. For the block regions, areas with dose values ≥ 30 Gy performed the best, with the highest AUC of 0.886, and for the ring regions, areas with dose values between 40~50 Gy achieved the highest AUC of 0.977. In summary, finely divided ring regions had better and more stable predictive performance than block regions, which provides a basis for personalized treatment plans and with the potential to improve treatment outcomes.Clinical Relevance- CT heterogeneity and dose distribution patterns in the ring region with 40~50 Gy are more relevant to the occurrence of RP, physicians should pay more attention to this region in treatment planning.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».