A self‐adaptive case‐based reasoning system for dose planning in prostate cancer radiotherapy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: Prostate cancer is the most common cancer in the male population. Radiotherapy is often used in the treatment for prostate cancer. In radiotherapy treatment, the oncologist makes a trade-off between the risk and benefit of the radiation, i.e., the task is to deliver a high dose to the prostate cancer cells and minimize side effects of the treatment. The aim of our research is to develop a software system that will assist the oncologist in planning new treatments. METHODS: A nonlinear case-based reasoning system is developed to capture the expertise and experience of oncologists in treating previous patients. Importance (weights) of different clinical parameters in the dose planning is determined by the oncologist based on their past experience, and is highly subjective. The weights are usually fixed in the system. In this research, the weights are updated automatically each time after generating a treatment plan for a new patient using a group based simulated annealing approach. RESULTS: The developed approach is analyzed on the real data set collected from the Nottingham University Hospitals NHS Trust, City Hospital Campus, UK. Extensive experiments show that the dose plan suggested by the proposed method is coherent with the dose plan prescribed by an experienced oncologist or even better. CONCLUSIONS: The developed case-based reasoning system enables the use of knowledge and experience gained by the oncologist in treating new patients. This system may play a vital role to assist the oncologist in making a better decision in less computational time; it utilizes the success rate of the previously treated patients and it can also be used in teaching and training processes.
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.
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 | 0,001 | 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 découle