Машинное обучение и моделирование: проблемы данных, валидации и коммуникации

Machine learning and modeling: Data, validation, communication challenges
Jean M. Moran, Issam El Naqa, Clifton David Fuller, Ying Xiao, Randall K. Ten Haken, Gilmer Valdés, Qiuwen Wu, Dan Ruan, Andre L.A.J. Dekker, Frank J. Manion, Matthew J. Schipper, Wade P. Smith, Todd McNutt, Charles S. Mayo, Dan Ruan, Yaorong Ge, Jung Hun Oh, Maria Thor, Arvind Rao
2018-08-24

машинное обучениесегментация органоврадиационная онкологияпрозрачная отчетностьмоделирование ответа на лечение
С наступлением эры больших данных применение алгоритмов машинного обучения в радиационной онкологии быстро расширяется и включает моделирование ответа на лечение, планирование лечения, контурирование, сегментацию органов, визуализацию для навигации, отслеживание движений, обеспечение качества и другие задачи. Несмотря на этот интерес, практическое внедрение машинного обучения в повседневную клиническую деятельность по-прежнему остается ограниченным. Цель настоящего аналитического обзора заключается в дальнейшем развитии этого нового направления — машинного обучения в радиационной онкологии — посредством освещения его еще не реализованных преимуществ и потенциала для совершенствования клинической практики, а также представления актуальных проблем и нерешенных вопросов для будущих исследований. Целевую аудиторию статьи составляют как начинающие специалисты, так и практикующие специалисты в области медицинской физики и радиационной онкологии. В статье также приведены общие рекомендации по предотвращению распространенных ошибок при применении этих мощных инструментов анализа данных к задачам медицинской физики и радиационной онкологии и предложены некоторые руководящие принципы для прозрачного и информативного представления результатов машинного обучения.
1
Несмотря на растущий научный интерес, практическое внедрение машинного обучения в повседневную клиническую работу лучевой терапии остается ограниченным.
2
Предложены рекомендации по предотвращению распространенных методологических ошибок при применении машинного обучения в медицинской физике и лучевой терапии.
3
Применение машинного обучения в лучевой терапии расширяется и охватывает моделирование ответа на лечение, планирование терапии, контурирование, сегментацию, навигацию по изображениям, отслеживание движений и контроль качества.
4
Предложены руководящие принципы прозрачного и информативного представления результатов машинного обучения; целевая аудитория включает начинающих и опытных специалистов.
5
В статье рассматриваются неиспользованные возможности и открытые исследовательские вопросы для развития машинного обучения в лучевой терапии.

Применение методов машинного обучения в радиационной онкологии и клинической практике медицинской физики

Проблемы клинического внедрения, валидации, работы с данными, коммуникации и представления результатов, а также потенциальные преимущества машинного обучения для моделирования ответа на лечение, планирования лечения, контурирования, сегментации органов, навигации по изображениям, отслеживания движений и контроля качества

Publication Details
Publication Date
2018-08-24
Journal
Publisher
ISSN
Cited by
104
Access Type
Author Information
Authors
Jean M. Moran
Issam El Naqa
Clifton David Fuller
Ying Xiao
Randall K. Ten Haken
Gilmer Valdés
Qiuwen Wu
Dan Ruan
Andre L.A.J. Dekker
Frank J. Manion
Matthew J. Schipper
Wade P. Smith
Todd McNutt
Charles S. Mayo
Dan Ruan
Yaorong Ge
Jung Hun Oh
Maria Thor
Arvind Rao
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%