提高深度学习模型在预测和分类马通过率的性能,具有歧视性特征和类平衡技术:一个回顾性队列研究

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:

• 深度学习 (DL) 模型需要强大的输入特征来准确预测放射治疗质量保证指标.
• 强度调节辐射疗法 (IMRT) 计划需要精确的质量控制,如马传递率 (GPR) 评估.

研究的目的:

• 提高深度学习模型在预测和分类IMRT马通过率 (GPR) 的性能.
• 调查机器参数作为输入特征的实用性,并采用类平衡技术来改进GPR预测.

主要方法:

• 从204个鼻癌患者计划中对2348个IMRT场进行了回顾性分析.
• 使用动态日志文件 (流量,叶间,叶速度,错误) 和SHAP进行特征选择的特征工程.
• 训练UNet++模型,使用标准的MSE损失,重新采样和建议的加权MSE损失 (WMSE) 的八个特征集.

主要成果:

• 结合叶子速度和叶子间隙特征的模型在预测失败领域的GPR方面显示出更高的准确性.
• WMSE损失函数实现了在失败字段中预测GPR的最高准确度,优于其他方法.
• WMSE_FS5模型显示,曲线下面积 (AUC) 为0.92,灵敏度 (0.77) 和特异性 (0.89) 是平衡的.

结论:

• 机器参数为基于DL的GPR预测提供了有价值的输入功能.
• 开发的加权损失函数有效地平衡了成功和失败字段的预测准确性.
• 拟议的方法提高了DL模型的GPR预测和分类的性能,并有可能与治疗计划优化集成.