Data pipelines in radiation oncology: lessons from software engineering
Notice bibliographique
Résumé
Processes automation in clinical environments is highly desirable as it reduces the workload and eliminates error-prone tasks. Extract/transform/load (ETL) operations for instance are often used to move data from an IT system to another. At our institution, ETL operations are used to federate prostate cancer patient data in a research database used to evaluate survival and toxicities. In these data pipelines, laboratory results and dosimetric indices are pulled from hospital IT systems and treatment planning systems (TPS) respectively. Maintaining these pipelines is not trivial however as several external factors can break them: new firewall rules, software updates, change in the vocabulary used, etc. It is therefore important to design the pipelines so that they can cope elegantly with frequent changes. Lessons learned from software engineering guided us towards the use of factory design pattern and data structures such as patient tree representations to handle the inherent complexity of ETL tasks in an ever changing IT ecosystem. Memory usage by the pipeline is also a concern, which was handled by the virtual proxy design pattern. This methodology will be presented through a case study where dosimetric indices are generated from DICOM-RT files derived from brachytherapy treatment planning. The pipeline first queries a research-dedicated PACS server, retrieves the files required, performs consistency checks, and calculates dosimetric indices. Results are written back into the DICOM files, using appropriate tags defined by the standard for this purpose. Any exception raised during the process is contextualized and sent to the developer for potential action. Implementation details and software engineering guidelines will be presented as well avenues for improvement, including the use of tools such as Apache Airflow to schedule and monitor ETL processes in a clinical setting.
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 | 0,014 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,009 | 0,014 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».