科研之友
微信
新浪微博
Facebook
分享链接
摘要
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。
- 单位
