典型文献
综合复杂性特征和剂量学评估指标提高剂量验证结果预测模型的性能
文献摘要：
目的:构建随机森林模型预测调强计划剂量验证结果,研究综合复杂性特征和剂量学评估指标提高模型性能的可行性.方法:选取269例IMRT计划,共2558个射野,采用电子射野影像系统进行剂量验证,γ通过率(2％/2 mm标准)阈值为95％,将剂量验证结果分为"通过"和"不通过".提取计划的剂量学评估指标和射野的复杂性特征,分别构建剂量模型(基于剂量学评估指标)、计划模型(基于计划复杂性特征)和混合模型(综合剂量学评估指标和计划复杂性特征).计算AUC值、特异性和敏感性评估模型性能.结果:剂量模型、计划模型和混合模型的AUC值分别为0.68、0.80和0.82,混合模型优于其他两个模型.混合模型的特异性和敏感性为0.70和0.79,均高于其他两个模型.剂量模型、计划模型和混合模型达到最佳性能所需的样本量分别为1200、900和700.结论:剂量学评估指标与计划复杂性特征综合,可以提高模型的预测性能,同时在一定程度上弥补样本数量的不足,为预测剂量验证结果的机器学习模型性能的改善提供参考.
文献关键词：
机器学习;剂量验证;计划复杂性特征;剂量学评估指标;随机森林
中图分类号：
作者姓名：
申璐瑶;魏强林;张俊俊;宾石珍;刘义保
作者机构：
东华理工大学核科学与工程学院,江西南昌330013;中南大学湘雅三医院肿瘤科,湖南长沙410013
文献出处：
引用格式：
[1]申璐瑶;魏强林;张俊俊;宾石珍;刘义保-.综合复杂性特征和剂量学评估指标提高剂量验证结果预测模型的性能)[J].中国医学物理学杂志,2022(04):409-414
A类：
剂量学评估指标,计划复杂性特征
B类：
高剂量,随机森林模型,测调,调强计划,计划剂量验证,模型性能,IMRT,电子射野影像系统,通过率,不通,剂量模型,混合模型,合剂,达到最佳,样本量,预测性能,样本数量,机器学习模型
AB值：
0.170835
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
