使用基于RapidMiner GO（JAVA）的人工智能算法评估和预测立体定向放射外科治疗计划的效率指数
摘要：使用监督式机器学习评估通过DVH参数预测SRS治疗计划的效率指数，并调查RapidMiner GO的预测模型算法的性能。利用Leksell Gamma计划生成了100个临床SRS计划的剂量体积直方图（DVH）基于效率指数进行计算，并将结果与RapidMiner Go的机器学习工具箱生成的预测值进行比较，算法包括广义线性模型（GLR）、决策树模型、支持向量机（SVM）、梯度提升树（GBT）、随机森林（RF）和深度学习模型（DL）。通过确定均方根误差（RMSE）、平均绝对误差、绝对相对误差、平方相关性和模型构建时间来评估每个算法的性能。根据结果，GLR算法模型具有0.974的平方相关性，并且具有最小的RMSE为0.01，相对较高的预测速度和快速的模型构建时间为2.812秒。所有模型的RMSE值介于0.01到0.021之间，所有算法表现良好。梯度提升树、随机森林和决策树回归算法的RMSE大于0.01，表明它们不适合在此分析中预测EI。RapidMiner GO机器学习模型可用于预测SRS治疗计划QA中的DVH参数，为了有效评估参数，需要选择合适的机器学习算法。
作者：Hossam Donya, Sheikh Othman, Alexis Dimitriadis
论文ID：2201.07718
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2022-01-20