4D SBRTの機械学習ベースのリアルタイム呼吸信号予測子のベンチマーク

背景：胸部腫瘍および腹部腫瘍の定位体の放射線療法は、呼吸器内腫瘍の動きを説明する必要があります。一般的に、腫瘍の動きの代理として機能し、呼吸誘導イメージングやゲート用量送達などの戦略の基礎を形成する外部呼吸信号が継続的に獲得されます。ただし、固有のシステムレイテンシにより、獲得した呼吸信号とシステム応答の間には時間的遅延が存在します。呼吸信号の予測モデルは、時間の遅延を補償し、イメージングと用量送達を改善することを目的としています。 目的：本研究では、リアルタイムおよび現実世界の適用性に焦点を当てた、6つの最先端のマシンとディープラーニングベースの予測モデルを調査および比較します。すべてのモデルとデータは、結果の再現性を確保し、再利用を促進するためのオープンソースとデータとして提供されます。 方法：この研究は、臨床ルーチン中に取得された2502の呼吸信号（t o t o t o t o t o t al≈90$ t_ {total} \ comprofx 90 $ h）に基づいており、独立トレーニング（50％）、検証（20％）、およびテストセット（30％）。入力信号値は騒々しい信号からサンプリングされ、対応する除去された信号からターゲット信号値が選択されました。標準の線形予測モデル（線形）、一般的な単変量信号予測（DLinear、xgboost）の2つの最先端モデル、および3つの深い学習モデル（LSTM、トランスTSF）が選択されました。予測パフォーマンスは、3つの異なる予測視野（480、680、および920ミリ秒）で評価されました。さらに、異なるモデルの堅牢性は、非定型、つまり分散（OOD）シグナルに適用されると分析されました。 結果：LSTMモデルは、すべての予測範囲で最低正規化されたルート平均平方根誤差を達成しました。予測エラーは、より長い視野の場合、わずかに増加しました。ただし、テスト信号全体にエラー値が大幅に広がることが観察されました。典型と比較して、つまり分配内テスト信号は、OOD信号に適用するとすべてのモデルの予測精度が減少しました。より複雑なディープラーニングモデルLSTMとトランスエンスは、パフォーマンスの損失が最小であることを示しましたが、Linearのような単純なモデルのパフォーマンスが最も低下しました。トランスエンスを除いて、リアルタイムアプリケーションが可能なさまざまなモデルの推論時間。 結論：LSTMモデルの適用により、最低予測エラーが達成されました。よりシンプルな予測フィルターは、限られた信号履歴アクセスに悩まされ、OOD信号のパフォーマンスが低下します。

BACKGROUND: Stereotactic body radiotherapy of thoracic and abdominal tumors has to account for respiratory intrafractional tumor motion. Commonly, an external breathing signal is continuously acquired that serves as a surrogate of the tumor motion and forms the basis of strategies like breathing-guided imaging and gated dose delivery. However, due to inherent system latencies, there exists a temporal lag between the acquired respiratory signal and the system response. Respiratory signal prediction models aim to compensate for the time delays and to improve imaging and dose delivery. PURPOSE: The present study explores and compares six state-of-the-art machine and deep learning-based prediction models, focusing on real-time and real-world applicability. All models and data are provided as open source and data to ensure reproducibility of the results and foster reuse. METHODS: The study was based on 2502 breathing signals ( t t o t a l ≈ 90 $t_{total} \approx 90$  h) acquired during clinical routine, split into independent training (50%), validation (20%), and test sets (30%). Input signal values were sampled from noisy signals, and the target signal values were selected from corresponding denoised signals. A standard linear prediction model (Linear), two state-of-the-art models in general univariate signal prediction (Dlinear, Xgboost), and three deep learning models (Lstm, Trans-Enc, Trans-TSF) were chosen. The prediction performance was evaluated for three different prediction horizons (480, 680, and 920 ms). Moreover, the robustness of the different models when applied to atypical, that is, out-of-distribution (OOD) signals, was analyzed. RESULTS: The Lstm model achieved the lowest normalized root mean square error for all prediction horizons. The prediction errors only slightly increased for longer horizons. However, a substantial spread of the error values across the test signals was observed. Compared to typical, that is, in-distribution test signals, the prediction accuracy of all models decreased when applied to OOD signals. The more complex deep learning models Lstm and Trans-Enc showed the least performance loss, while the performance of simpler models like Linear dropped the most. Except for Trans-Enc, inference times for the different models allowed for real-time application. CONCLUSION: The application of the Lstm model achieved the lowest prediction errors. Simpler prediction filters suffer from limited signal history access, resulting in a drop in performance for OOD signals.