SU‐C‐BRC‐06: Adaptive and Robust IMRT Treatment Planning for Lung Cancer
Notice bibliographique
Résumé
Purpose: To improve IMRT treatments for lung cancer patients who exhibit breathing motion uncertainty; to demonstrate that combining adaptive radiation therapy with robust optimization can lead to simultaneous improvements in tumor coverage and healthy tissue sparing over non‐adaptive robust optimization methods. Methods: A model of breathing motion uncertainty was derived from previous robust optimization research. We then developed two algorithms ‐ exponential smoothing and running average ‐ to up‐date this model from fraction to fraction, using a sequence of retrospective motion probability mass functions (PMFs) from real patients. A robust optimization problem was solved for each fraction with an updated uncertainty model to generate a sequence of treatments. Delivery of the entire treatment was simulated and dose was accumulated according to the sequence of PMFs. The breathing motion model was created and updated in MATLAB, while CPLEX was used to solve the corresponding robust optimization problem as a linear program. The adaptive robust treatment was then compared with a robust treatment in which the uncertainty set was not updated over the treatment course. Results: Our adaptive robust optimization method exhibited a simultaneous improvement over non‐adaptive robust methods in both tumor coverage and healthy tissue sparing. The adaptive robust treatments were insensitive to the choice of the initial uncertainty model, and also closely comparable to idealized treatments that would be obtained with perfect foresight — i.e., treatments created with a priori knowledge of the entire sequence of future patient PMFs. Conclusions: By combining adaptive radiation therapy and robust optimization, our method combats both the instantaneous breathing motion uncertainty realized in each fraction and changes in the uncertainty that occur from fraction to fraction. Our method demonstrates that it is possible escalate dose to the tumor from the level possible with current robust methods without sacrificing healthy tissue sparing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».