期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于放射组学的机器学习预测盆腔调强放疗剂量验证的γ通过率
1
作者 陈路桥 倪千喜 +1 位作者 李啸洲 曹锦佳 《中华放射医学与防护杂志》 CAS CSCD 北大核心 2023年第2期101-105,共5页
目的利用放射组学特征构建不同的机器学习分类模型,预测盆腔肿瘤调强放疗剂量验证的γ通过率,并探讨最佳预测模型。方法回顾性分析196例盆腔肿瘤调强放疗计划,采用基于模体测量方式的三维剂量验证结果,γ通过率标准为3%/2 mm、10%剂量... 目的利用放射组学特征构建不同的机器学习分类模型,预测盆腔肿瘤调强放疗剂量验证的γ通过率,并探讨最佳预测模型。方法回顾性分析196例盆腔肿瘤调强放疗计划,采用基于模体测量方式的三维剂量验证结果,γ通过率标准为3%/2 mm、10%剂量阈值。提取基于剂量文件的放射组学特征构建预测模型。分别采用随机森林、支持向量机、自适应增强和梯度提升决策树4种机器学习算法,计算曲线下面积(AUC)值、敏感度和特异度,评估4种预测模型的分类性能。结果随机森林、支持向量机、自适应增强、梯度提升决策树模型的灵敏度和特异度分别为0.93、0.85,0.93、0.96,0.38、0.69,0.46、0.46。随机森林模型和自适应增强模型的AUC值分别为0.81和0.82,支持向量机和梯度提升决策树模型的AUC值为0.87。结论针对盆腔肿瘤调强放疗计划,可以采用基于放射组学特征的机器学习方法来构建γ通过率的预测模型。支持向量机模型和梯度提升决策树模型的分类性能要优于随机森林模型、自适应增强模型。 展开更多
关键词 机器学习 调强放疗 放射组学 盆腔 γ通过率
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部