Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Prediksi dengan model mesin learning regresi telah banyak digunakan untuk penelitian. Salah satu model mesin learning yang digunakan untuk prediksi adalah random forest regressor. Mesin learning membutuhkan data training untuk mempelajari pola dan hubungan antar data. Model regressor yang sedangkan dikembangkan dalam bidang medis saat ini adalah model yang dapat memprediksi dosis pada perencanaan IMRT. Data perencanaan dalam format DICOM (format asli data) dieksport ke bentuk CVS (Comma Separated Values). Kemudian data dibagi menjadi data training dan testing yang dipilih secara random. Algoritma yang digunakan untuk memprediksi adalah random forest yang akan di training menggunakan 7-fold validation dan kemudian model akan di uji dengan data baru yaitu data testing yang belum pernah dilihat oleh model. Data yang dievaluasi yaitu parameter untuk mendapat HI (Homogenety Index) untuk organ target, dan dosis mean dan max untuk OAR (Organ At Risk). Random forest mampu memprediksi nilai sebenarnya dengan kesalahan dievaluasi menggunakan MAE pada fitur PTV D2 (0,012), D50 (0,015) dan D98 (0,018) serta pada fitur OAR (mean dan  max) paru kanan (0,104 dan 0,228), paru kiri (0,094 dan 0,27), jantung (0,088 dan 0,267), spinal cord (0,069 dan 0,121) dan (V95) Body (0,094). ...... Predictions with machine learning regression models have been widely used for research. One of the machine learning models used for prediction is the random forest regressor. Machine learning requires training data to determine patterns and relationships between data. Nowadays, the regressor model that being developed in the medical field is able to predict dose in IMRT planning. Planning data in DICOM format (original data format) was exported to CVS (Comma Separated Values) format. Then, the data was divided into training and testing data which were selected randomly. The algorithm used to predict is a random forest that was trained using 7-fold validation and the model was evaluated with new data, namely testing data that have not been seen by the model. The evaluated data are parameters to obtain HI (Homogenety Index) for target organs, and mean and max doses for OAR (Organ At Risk). Random forest was able to predict the true value with errors and it was evaluated using MAE for PTV D2 (0,012), D50 (0,015) and D98 (0,018), for OAR (mean and  max) right lung (0,104 and 0,228), left lung (0,094 and 0,27), heart (0,088 and 0,267), spinal cord (0,069 and 0,121) and (V95) Body (0,094).

Abstrak :
Penjaminan mutu dalam radioterapi adalah proses yang penting agar penggunaan radiasi memberikan manfaat yang maksimal. Saat ini sedang berkembang implementasi machine learning (ML) dalam proses penjaminan mutu treatment planning. Pada penelitian ini, 34 treatment plan intensity-modulated radiation therapy (IMRT) optimal dan 10 treatment plan IMRT suboptimal dari Rumah Sakit Siloam MRCCC Semanggi digunakan dalam pemelajaran model ML berjenis autoencoder untuk pendeteksian anomali yang dikembangkan menggunakan PyTorch. Terdapat empat tahap dalam penelitian ini yaitu tahap persiapan, tahap pengembangan, tahap validasi, dan tahap evaluasi. Pada tahap pengembangan, data mentah disiapkan agar siap digunakan untuk pemelajaran model. Pada tahap pengembangan, model dibuat menggunakan PyTorch dan dilakukan optimisasi hyperparameter. Akurasi hasil pemelajaran model akan dianalisis pada tahap validasi. Terakhir, pada tahap evaluasi, kemampuan model dievaluasi dengan melakukan uji statistik Mann-Whitney U test pada parameter dose-volume histogram (DVH), fitur radiomics, dan metrik DVH (conformity index dan homogeneity index). Model menggunakan 161 fitur radiomics dengan konfigurasi paling optimal adalah epochs sebanyak 1.250 iterasi, konfigurasi hidden layers 150-50-17, dan learning rate sebesar 0,2. Hasilnya menunjukkan akurasi sebesar 30% dengan 7% fitur radiomics, 50% parameter DVH, dan homogeneity index berbeda secara signifikan. Setelah dilakukan pembersihan yaitu membuang data dengan nilai conformity index di bawah satu, didapat akurasi sebesar 17% dengan 12% fitur radiomics, 45% parameter DVH, dan kedua metrik DVH berbeda secara signifikan. Jika hanya digunakan fitur radiomics yang berbeda secara signifikan, didapat akurasi naik menjadi 90%. Dari hasil ini, disimpulkan bahwa fitur radiomics kurang mampu mengkarakterisasi kualitas treatment plan. Selain itu, segmentasi planning target volume (PTV) beserta kelompok fitur radiomics firstorder adalah pembeda utama antara treatment plan optimal dengan suboptimal. ......Quality assurance in radiotherapy is an important process so that the use of radiation provides maximum benefits. Currently, the implementation of machine learning in the quality assurance of treatment planning is growing. In this study, 34 optimal intensity- modulated radiation therapy (IMRT) treatment plans and 10 suboptimal IMRT treatment plans obtained from Siloam MRCCC Semanggi Hospital were used to train a machine learning model called autoencoder for anomaly detection developed using PyTorch. There were four stages in this study, namely the preparation stage, development stage, validation stage, and evaluation stage. At the development stage, the raw data was prepared so that it is ready to be used for training. At the development stage, the model was developed and a hyperparameter optimization was performed. The accuracy of the model was analyzed at the validation stage. Finally, at the evaluation stage, the model performance was evaluated by performing Mann-Whitney U test on dose volume histogram (DVH) parameters, radiomics features, and DVH metrics (conformity index and homogeneity index). The model used 161 radiomics features with an epochs of 1,250 iterations, 150-50-17 hidden layers configuration, and a learning rate of 0.2 being the most optimal configuration. The results showed an accuracy of 30% with 7% of radiomics features, 50% of DVH parameters, and the homogeneity index being different significantly. After refinement, that is removing data with conformity index below one, the accuracy became 17% with 12% of radiomics features, 45% of DVH parameters, and both DVH metrics being different significantly. If the radiomics features used are those that were significantly different, the accuracy increased to 90%. From these results, it can be concluded that the radiomics features are unable to characterize the quality of the treatment plan. In addition, planning target volume (PTV) segment along with the firstorder radiomics feature group is the main differentiator between optimal and suboptimal treatment plans.