Машинное обучение и моделирование: проблемы данных, валидации и коммуникации
Machine learning and modeling: Data, validation, communication challenges
2018-08-24
SCID: 54.1/mu9c8rzq
Discuss with AI
машинное обучениесегментация органоврадиационная онкологияпрозрачная отчетностьмоделирование ответа на лечение
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Применение методов машинного обучения в радиационной онкологии и клинической практике медицинской физики
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest