典型文献
基于计划复杂度参数利用机器学习预测容积弧形调强验证通过率研究
文献摘要：
目的:采用随机森林和支持向量机两种机器学习算法建立预测模型，实现容积弧形调强（VMAT）验证γ通过率（GPR）的数值预测和分类预测。方法:回顾性选取2019年4月至2020年8月于温州医科大学附属第一医院放疗中心接受VMAT放疗的258例患者资料，其中头颈部38例，胸腹部220例。对所有患者VMAT计划提取13个复杂度参数，收集计划验证在3%/3 mm和2%/2 mm评估标准下的GPR。用随机种子数方法将患者队列分为70%训练队列和30%验证队列，采用随机森林和最小冗余最大相关性（mRMR）的方法分别筛选数值预测和分类预测的相关性参数，利用随机森林和支持向量机两种算法结合计划靶区（PTV）体积，子野宽度，平滑度因素分别建立复杂度模型和混合模型。分析比较两种模型的预测性能。结果:对GPR数值预测，在3%/3 mm、2%/2 mm评估标准下，验证队列中基于随机森林和支持向量机复杂度模型预测误差的均方根误差（RMSE）和平均绝对误差（MAE）分别为1.788%和1.753%、5.895%和5.444%、1.415%和1.334%、4.644%和4.255%；基于随机森林和支持向量机的混合模型预测误差的RMSE和MAE分别为1.760%和1.815%、5.693%和5.590%、1.386%和1.319%、4.523%和4.310%。GPR分类预测中，在3%/3 mm、2%/2 mm评估标准下，验证队列中基于随机森林和支持向量机的复杂度模型的受试者工作特征（ROC）曲线下面积（AUC）分别为0.790和0.793、0.763和0.754；在验证队列中基于随机森林和支持向量机的混合模型的AUC结果分别为0.806和0.859、0.796和0.796。结论:开发了基于随机森林方法和支持向量机方法的复杂度模型和混合预测模型，能够实现在3%/3 mm和2%/2 mm两种评估标准下对VMAT放疗计划GPR的数值预测和分类预测，混合模型较经典复杂度模型提高了预测精度。
文献关键词：
容积弧形调强;质量保证;随机森林算法;预测模型
中图分类号：
作者姓名：
易金玲;杨继明;雷希瑶;宁博达;金献测;张吉
作者机构：
温州医科大学附属第一医院放疗中心，温州 325000;宁波市第一医院放化疗中心，宁波 315000
文献出处：
引用格式：
[1]易金玲;杨继明;雷希瑶;宁博达;金献测;张吉-.基于计划复杂度参数利用机器学习预测容积弧形调强验证通过率研究)[J].中华放射医学与防护杂志,2022(12):966-972
A类：
B类：
计划复杂度,机器学习预测,容积弧形调强,通过率,机器学习算法,VMAT,GPR,数值预测,分类预测,温州,放疗中心,中头,头颈部,胸腹部,计划验证,评估标准,随机种子,种子数,训练队,最小冗余最大相关性,mRMR,靶区,PTV,子野,混合模型,预测性能,预测误差,RMSE,平均绝对误差,MAE,受试者工作特征,随机森林方法,支持向量机方法,混合预测模型,放疗计划,质量保证,随机森林算法
AB值：
0.280349
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。
