在4D SBRT中基于机器学习的实时呼吸信号预测器的基准测试
Lukas Wimmert1,2,3, Maximilian Nielsen1,2,3, Frederic Madesta1,2,3
1Institute for Applied Medical Informatics, University Medical Center Hamburg-Eppendorf, Hamburg, Germany.
Medical physics
|March 27, 2024
概括
Lstm模型最好地预测肺癌放射治疗的呼吸运动,即使预测时间较长,也显示出最小的误差. 与简单的模型相比,它在不寻常的呼吸模式上也表现得更好.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 机器学习 机器学习
背景情况:
- 呼吸运动显著影响胸部和腹部瘤放射治疗.
- 外部呼吸信号被用作瘤运动的替代物,但系统延迟会导致时间延迟.
- 呼吸信号预测模型对于通过弥补时间延迟来改善成像和剂量传递至关重要.
研究的目的:
- 为了比较六个最先进的机器和深度学习模型用于呼吸信号预测.
- 评估这些模型的实时和现实世界的适用性.
- 通过提供开源模型和数据来确保可重复性.
主要方法:
- 利用2502个临床呼吸信号进行培训,验证和测试.
- 与线性,线性,Xgboost,Lstm,Trans-Enc和Trans-TSF模型进行比较.
- 评估了480,680和920毫秒的预测性能,并分析了OOD信号的稳定性.
主要成果:
- Lstm模型在所有地平线上显示了最低的预测错误.
- 预测准确性下降了外分销 (OOD) 信号,Lstm和Trans-Enc显示的性能损失较小.
- 除了Trans-Enc外,大多数模型都表现出适合实时应用的推理时间.
结论:
- Lstm模型提供了最准确的呼吸信号预测.
- 由于有限的信号历史访问,更简单的预测模型与OOD信号作斗争.
