MétaCan
Menu
Retour à la cohorte
Enregistrement W2053197249 · doi:10.1118/1.3660517

A self‐adaptive case‐based reasoning system for dose planning in prostate cancer radiotherapy

2011· article· en· W2053197249 sur OpenAlexaff
Nishikant Mishra, Sanja Petrović, Santhanam Sundar

Notice bibliographique

RevueMedical Physics · 2011
Typearticle
Langueen
DomaineComputer Science
ThématiqueAI-based Problem Solving and Planning
Établissements canadiensNexen (Canada)
Organismes subventionnairesEngineering and Physical Sciences Research Council
Mots-clésRadiation oncologistRadiation therapyMedicineMedical physicsProstate cancerRadiation treatment planningPopulationPlan (archaeology)CancerInternal medicine

Résumé

récupéré en direct d'OpenAlex

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.

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)0,006
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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0030,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,036
Tête enseignante GPT0,283
Écart entre enseignants0,247 · 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

Citations26
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical PhysicsMême sujetAI-based Problem Solving and PlanningTravaux en français237 207