ROC analysis in patient specific quality assurance
Notice bibliographique
Résumé
PURPOSE: This work investigates the use of receiver operating characteristic (ROC) methods in patient specific IMRT quality assurance (QA) in order to determine unbiased methods to set threshold criteria for γ-distance to agreement measurements. METHODS: A group of 17 prostate plans was delivered as planned while a second group of 17 prostate plans was modified with the introduction of random multileaf collimator (MLC) position errors that are normally distributed with σ ≈ ± 0.5, ± 1.0, ± 2.0, and ± 3.0 mm (a total of 68 modified plans were created). All plans were evaluated using five different γ-criteria. ROC methodology was applied by quantifying the fraction of modified plans reported as "fail" and unmodified plans reported as "pass." RESULTS: γ-based criteria were able to attain nearly 100% sensitivity/specificity in the detection of large random errors (σ > 3 mm). Sensitivity and specificity decrease rapidly for all γ-criteria as the size of error to be detected decreases below 2 mm. Predictive power is null with all criteria used in the detection of small MLC errors (σ < 0.5 mm). Optimal threshold values were established by determining which criteria maximized sensitivity and specificity. For 3%/3 mm γ-criteria, optimal threshold values range from 92% to 99%, whereas for 2%/2 mm, the range was from 77% to 94%. CONCLUSIONS: The optimal threshold values that were determined represent a maximized test sensitivity and specificity and are not subject to any user bias. When applied to the datasets that we studied, our results suggest the use of patient specific QA as a safety tool that can effectively prevent large errors (e.g., σ > 3 mm) as opposed to a tool to improve the quality of IMRT delivery.
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 | 0,001 |
| 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) | 0,003 | 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 ».