MétaCan
Menu
← Retour à la cohorte
Enregistrement W2022204055 · doi:10.1118/1.4815231

MO‐D‐105‐05: A Novel Web‐Based Tool for Quantification of VMAT/IMRT Treatment Plan Quality

2013· article· en· W2022204055 sur OpenAlexaff
M. X. Fan, F DeBlois, Khalil Sultanem, Gabriela Stroian

Notice bibliographique

RevueMedical Physics · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceSQLDatabasePlan (archaeology)Python (programming language)Web siteWeb applicationInformation retrievalMedical physicsWorld Wide WebMedicineThe Internet

Résumé

récupéré en direct d'OpenAlex

Purpose: To develop a novel web‐based tool for VMAT/IMRT treatment plan evaluation and to design a unique plan Quality Index (QI) quantifier to aid in decision‐making for SRS, SBRT, and ENT treatment planning and evaluationMethods: A high level Python web‐framework, Django, is used to develop the web application. Django uses an SQL‐like database for data storage and retrieval. The front‐end of the web application is styled with CSS and written in HTML. Tumor site dependent evaluation templates for SRS, SBRT and ENT plans are created in collaboration with physicians at our institution. Previously approved treatment plans are imported into the web application to populate the database for analysis. With physician feedback, retrospective treatment plans are subjected to scoring algorithms to develop a plan QI. Results: The web tool is currently deployed internally at our institution for VMAT treatment planners. The web site also serves as a portal for site‐specific treatment planning instructions. Specific plan details are imported to an SQL‐like database when treatment plans are pushed to the tool. The electronic nature of the database allows new retrospective studies to be easily conducted. A site specific QI is developed to quantify SRS, SBRT, and ENT plan quality. When the tool is used, QIs are generated automatically and a histogram of site specific QIs is produced. This information can then be used to evaluate the best candidate plan for treatment approval. The database can be used to query legacy plan specific details in order to extract the optimization objectives that best fit the anatomy and prescription doses from a new planning case. Conclusion: The full implementation of the tool aims to standardize and unify the planning and evaluation of IMRT/VMAT techniques. Validation of the QI robustness will include correlation with clinical outcome and inter‐institutional case studies.

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)0,008
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: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,060

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0180,004

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 Opus0,052
Tête enseignante GPT0,356
Écart entre enseignants0,305 · 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
GenreMéthodes

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

En bref

Citations0
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

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