論文の概要: Leveraging Support Vector Regression for Outcome Prediction in Personalized Ultra-fractionated Stereotactic Adaptive Radiotherapy

• arxiv url: http://arxiv.org/abs/2509.07872v1
• Date: Tue, 09 Sep 2025 15:57:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.389557
• Title: Leveraging Support Vector Regression for Outcome Prediction in Personalized Ultra-fractionated Stereotactic Adaptive Radiotherapy
• Title（参考訳）: パーソナライズされた定位的順応性放射線治療における予後予測のための支援ベクトル回帰の活用
• Authors: Yajun Yu, Steve Jiang, Robert Timmerman, Hao Peng,
• Abstract要約: 本研究では,GTV(Grog tumor volume)の変化を予測するためのマルチオミクスベースサポートベクター回帰(SVR)モデルを開発することを目的とする。 脳転移69例の振り返りコホートを解析した。 デルタラジオグラフィー機能は、単一点における特徴に対して予測精度を高める上で重要な役割を担っている。
• 参考スコア（独自算出の注目度）: 5.497745780154633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized ultra-fractionated stereotactic adaptive radiotherapy (PULSAR) is a novel treatment that delivers radiation in pulses of protracted intervals. Accurate prediction of gross tumor volume (GTV) changes through regression models has substantial prognostic value. This study aims to develop a multi-omics based support vector regression (SVR) model for predicting GTV change. A retrospective cohort of 39 patients with 69 brain metastases was analyzed, based on radiomics (MRI images) and dosiomics (dose maps) features. Delta features were computed to capture relative changes between two time points. A feature selection pipeline using least absolute shrinkage and selection operator (Lasso) algorithm with weight- or frequency-based ranking criterion was implemented. SVR models with various kernels were evaluated using the coefficient of determination (R2) and relative root mean square error (RRMSE). Five-fold cross-validation with 10 repeats was employed to mitigate the limitation of small data size. Multi-omics models that integrate radiomics, dosiomics, and their delta counterparts outperform individual-omics models. Delta-radiomic features play a critical role in enhancing prediction accuracy relative to features at single time points. The top-performing model achieves an R2 of 0.743 and an RRMSE of 0.022. The proposed multi-omics SVR model shows promising performance in predicting continuous change of GTV. It provides a more quantitative and personalized approach to assist patient selection and treatment adjustment in PULSAR.
• Abstract（参考訳）: Personalized Ultra-fractionated stereotactic Adaptive Radiotherapy (PULSAR) は、長い間隔のパルスで放射線を照射する新しい治療法である。 回帰モデルによるGTV変化の正確な予測は,予後に有意な影響を及ぼす。 本研究は,GTV変化を予測するためのマルチオミクスに基づくサポートベクタ回帰(SVR)モデルを開発することを目的とする。 69例の脳転移を有する39例の振り返りコホートを放射線画像(MRI画像)と線量地図(線量地図)の特徴に基づいて分析した。 デルタ機能は2つの時間点間の相対的な変化を捉えるために計算された。 最小絶対収縮・選択演算子(Lasso)アルゴリズムと重み付きもしくは周波数ベースのランキング基準を用いた特徴選択パイプラインを実装した。 決定係数 (R2) と相対根平均二乗誤差 (RRMSE) を用いて, 各種カーネルを用いたSVRモデルの評価を行った。 10リピートで5倍のクロスバリデーションを使用して、小さなデータサイズの制限を緩和した。 放射能、ドシオミック、デルタを統合したマルチオミクスモデルは、個々のオミクスモデルより優れている。 デルタラジオグラフィー機能は、単一点における特徴に対して予測精度を高める上で重要な役割を担っている。 最高性能モデルでは、R2は0.743、RRMSEは0.022となる。 提案したマルチオミクスSVRモデルは,GTVの連続的な変化を予測する上で有望な性能を示す。 PULSARの患者選択と治療調整を支援するために、より定量的でパーソナライズされたアプローチを提供する。

関連論文リスト

• Uncertainty quantification for improving radiomic-based models in radiation pneumonitis prediction [0.0]
  近年,放射能特性を持つ機械学習モデルにより,空間情報の取得による放射線肺炎の予測が改善している。 食道癌101例のコホートを経時的に解析した。 放射線とドシオミックの特徴は識別性能と校正性能の両方を改善している。
  論文  参考訳（メタデータ） (2024-12-27T08:01:42Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Deformation Driven Seq2Seq Longitudinal Tumor and Organs-at-Risk Prediction for Radiotherapy [12.05638699290782]
  畳み込み長短記憶(ConvLSTM)に基づく新しい3次元シーケンス・ツー・シーケンスモデルを提案する。 将来の解剖学的変化と腫瘍の体積の変化を予測し、重要なOARも予測する。 私たちは2つの放射線治療データセットでモデルを検証した。
  論文  参考訳（メタデータ） (2021-06-16T18:29:16Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)
• Simultaneous Estimation of X-ray Back-Scatter and Forward-Scatter using Multi-Task Learning [59.17383024536595]
  後方散乱は複雑な介入の際の患者(皮膚)の服用に大きく寄与する。 前方散乱放射線は投影画像のコントラストを低減し、3次元再構成でアーティファクトを導入する。 本稿では,従来の手法と学習に基づく手法を組み合わせて,検出器に到達した前方散乱を同時に推定する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-08T10:47:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。