Inverse treatment planning by physically constrained minimization of a biological objective function
Notice bibliographique
Résumé
In the current state-of-the art of clinical inverse planning, the design of clinically acceptable IMRT plans is predominantly based on the optimization of physical rather than biological objective functions. A major impetus for this trend is the unproven predictive power of radiobiological models, which is largely due to the scarcity of data sets for an accurate evaluation of the model parameters. On the other hand, these models do capture the currently known dose-volume effects in tissue dose-response, which should be accounted for in the process of optimization. In order to incorporate radiobiological information in clinical treatment planning optimization, we propose a hybrid physico-biological approach to inverse treatment planning based on the application of a continuous penalty function method to the constrained minimization of a biological objective. The objective is defined as the weighted sum of normal tissue complication probabilities evaluated with the Lyman normal-tissue complication probability model. Physical constraints specify the admissible minimum and maximum target dose. The continuous penalty function method is then used to find an approximate solution of the resulting large-scale constrained minimization problem. Plans generated by our approach are compared to ones produced by a commercial planning system incorporating physical optimization. The comparisons show clinically negligible differences, with the advantage that the hybrid technique does not require specifications of any dose-volume constraints to the normal tissues. This indicates that the proposed hybrid physico-biological method can be used for the generation of clinically acceptable plans.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».