TU-A-BRC-07: Toward Predicting the Location of GBM Recurrence after Radiotherapy Using Patient-Specic DTI and Numerical Modelling
Notice bibliographique
Résumé
Purpose: Patients diagnosed with glioblastoma multiforme (GBM), the most aggressive form of brain tumour, have a median survival of 15 months when receiving standard treatment. We have developed a three-dimensional reaction-diffusion model which uses patient-specific diffusion tensor imaging (DTI) and real dose distributions to simulate the growth and radiotherapy treatment of a GBM. We highlight paths for tumour recurrence and predict a gain in survival when treatment margins are adjusted according to model inputs. Methods: A DTI sequence is added to pre- and post-treatment MRI for ten GBM patients receiving standard treatment in our department. Our numerical model uses clinically available images to initialize the tumour cell density and to measure invasion velocity. Patient- specific DTI is used to model tumour cell motility and to prioritize migration along white matter fibres. The treatment dose distribution is used to simulate the radiotherapy treatment actually received by the patient. Finally, we simulate an alternative treatment plan that increases the dose in the region where the model predicts the formation of a recurrent tumour. Results: The general behaviour of the model was evaluated and found to be adequate for a patient with no DTI but whose post-treatment images were available. For another patient, model initialization with pre- treatment DTI shows that a second tumour focus forms outside the original radiation field in a region where the tumour migration is high due to white matter fibres. The application of an alternative virtual plan integrating the location of the recurrence suggests a 2-month gain of survival time, based on tumour cell density. Conclusions: Our results indicate that a reaction- diffusion model using patient-specific DTI information could potentially be used to modify GBM treatment margins, leading to an increased survival time. Integrating a long-term outcome study will allow us to verify the predictive efficiency of the model. This work is funded by the Fonds quebecois de la recherche sur la nature et les technologies (FQRNT) and by the Natural Sciences and Engineering Research Council of Canada (NSERC).
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».