MétaCan
Menu
← Retour à la cohorte
Enregistrement W2004442042 · doi:10.1118/1.2965914

Sci-Thurs PM: Delivery-07: Evaluation of prospects to use daily megavoltage CT studies for adaptive radiotherapy

2008· article· en· W2004442042 sur OpenAlexaff
Slav Yartsev, Curtis Woodford, A. Rashid Dar, GS Bauman, Jacob Van Dyk

Notice bibliographique

RevueMedical Physics · 2008
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensLondon Health Sciences Centre
Organismes subventionnairesnon disponible
Mots-clésTomotherapyRadiation therapyMedicineNuclear medicineRadiation treatment planningLung cancerRadiologyOncology

Résumé

récupéré en direct d'OpenAlex

PURPOSE: To evaluate gross tumor volume (GTV) changes for non-small cell lung cancer (NSCLC) patients using daily megavoltage CT (MVCT) studies acquired before each treatment fraction on helical tomotherapy, and to relate the potential benefit of adaptive image-guided radiotherapy to changes in GTV. METHODS: 17 patients were prescribed 30 fractions of radiotherapy on helical tomotherapy for NSCLC at London Regional Cancer Program from December 2005 to March 2007. The GTV was contoured on the daily MVCT studies of each patient. Adapted plans were created using merged MVCT-kVCT image sets to investigate the advantages of replanning for patients with differing GTV regression characteristics. RESULTS: The average GTV change observed over 30 fractions was -38%, ranging from -12 to -87%. No significant correlation was observed between GTV change and patient's physical or tumor features. The pattern of GTV changes of the 17 patients could be broadly divided into 3 groups with distinctive potential for benefit from adaptive planning. CONCLUSIONS: GTV changes are difficult to predict quantitatively based on patient or tumor characteristics. If changes do occur, there are points in time during the treatment course when it may be appropriate to adapt the plan to improve sparing of normal tissues. If the GTV decreases by greater than 30% at any point in the first twenty fractions of treatment, adaptive planning is appropriate to further improve the therapeutic ratio.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,080
Tête enseignante GPT0,371
Écart entre enseignants0,292 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical Physics→Même sujetRadiomics and Machine Learning in Medical Imaging→Travaux en français237 207→