Radiomática de automatización en la predicción de neumonitis por radiación (RP)
Autores: Raptis, Sotiris; Softa, Vasiliki; Angelidis, Georgios; Ilioudis, Christos; Theodorou, Kiki
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Radiomática de automatización en la predicción de neumonitis por radiación (RP)
Categoría
Procesos industriales
Subcategoría
Automatización industrial
Palabras clave
Radiómica
Predicción
Modelos de aprendizaje automático
Aprendizaje profundo
Neumonitis por radiación
Puntos de datos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
La radiómica ha mostrado un gran potencial en la predicción de diversas enfermedades. Los investigadores han intentado anteriormente incluir la radiómica en sus algoritmos de detección, diagnóstico y segmentación automatizados, tomando estos pasos basados en los resultados prometedores de los estudios basados en radiómica. Como resultado de la mayor atención prestada a este tema, numerosas instituciones han desarrollado su propio software de radiómica. Sin embargo, estos paquetes se han utilizado de manera intercambiable sin tener en cuenta sus diferencias fundamentales. El propósito principal de este estudio fue explorar los beneficios del rendimiento del modelo predictivo para la neumonitis por radiación (RP), que es el efecto secundario más frecuente de la radioterapia torácica, y a través de este trabajo, desarrollamos un modelo de radiómica basado en aprendizaje profundo que pretende aumentar el rendimiento de la predicción de RP al combinar más puntos de datos y profundizar en estos datos. Para evaluar los modelos de aprendizaje automático más populares, se utilizaron características radiográficas, y registramos las más importantes de ellas. La alta dimensionalidad de los conjuntos de datos radiómicos es un problema importante. El método propuesto para abordar problemas de datos es la técnica de sobremuestreo de minorías sintéticas, que utilizamos para crear un conjunto de datos equilibrado aprovechando hardware adecuado y software de código abierto. El presente estudio evaluó la eficacia de varios modelos de aprendizaje automático, incluyendo regresión logística (LR), máquina de soporte vectorial (SVM), bosque aleatorio (RF) y red neuronal profunda (DNN), en la predicción de neumonitis por radiación utilizando características específicas de radiómica. Los hallazgos del estudio indican que los cuatro modelos mostraron una eficacia satisfactoria en la predicción de neumonitis por radiación. El modelo DNN demostró el mayor valor de área bajo la curva operativa del receptor (AUC-ROC), que fue de 0.87, lo que sugiere su capacidad predictiva superior entre los modelos considerados. Los valores de AUC-ROC para los modelos de bosque aleatorio, SVM y regresión logística fueron 0.85, 0.83 y 0.81, respectivamente.
Descripción
La radiómica ha mostrado un gran potencial en la predicción de diversas enfermedades. Los investigadores han intentado anteriormente incluir la radiómica en sus algoritmos de detección, diagnóstico y segmentación automatizados, tomando estos pasos basados en los resultados prometedores de los estudios basados en radiómica. Como resultado de la mayor atención prestada a este tema, numerosas instituciones han desarrollado su propio software de radiómica. Sin embargo, estos paquetes se han utilizado de manera intercambiable sin tener en cuenta sus diferencias fundamentales. El propósito principal de este estudio fue explorar los beneficios del rendimiento del modelo predictivo para la neumonitis por radiación (RP), que es el efecto secundario más frecuente de la radioterapia torácica, y a través de este trabajo, desarrollamos un modelo de radiómica basado en aprendizaje profundo que pretende aumentar el rendimiento de la predicción de RP al combinar más puntos de datos y profundizar en estos datos. Para evaluar los modelos de aprendizaje automático más populares, se utilizaron características radiográficas, y registramos las más importantes de ellas. La alta dimensionalidad de los conjuntos de datos radiómicos es un problema importante. El método propuesto para abordar problemas de datos es la técnica de sobremuestreo de minorías sintéticas, que utilizamos para crear un conjunto de datos equilibrado aprovechando hardware adecuado y software de código abierto. El presente estudio evaluó la eficacia de varios modelos de aprendizaje automático, incluyendo regresión logística (LR), máquina de soporte vectorial (SVM), bosque aleatorio (RF) y red neuronal profunda (DNN), en la predicción de neumonitis por radiación utilizando características específicas de radiómica. Los hallazgos del estudio indican que los cuatro modelos mostraron una eficacia satisfactoria en la predicción de neumonitis por radiación. El modelo DNN demostró el mayor valor de área bajo la curva operativa del receptor (AUC-ROC), que fue de 0.87, lo que sugiere su capacidad predictiva superior entre los modelos considerados. Los valores de AUC-ROC para los modelos de bosque aleatorio, SVM y regresión logística fueron 0.85, 0.83 y 0.81, respectivamente.