MO-G-201-02: Comparing Sample Size Requirements for Knowledge-Based Treatment Planning
Notice bibliographique
Résumé
Purpose: To compare how training set size affects the accuracy of a knowledge-based planning (KBP) model applied to prostate and head and neck (HN) cancer. Methods: We selected a KBP model from the literature that uses distance-to-target histograms and organ volumes to predict an achievable dose-volume-histogram (DVH) curve for each organ-at-risk (OAR). We trained both the prostate and HN model using training set sizes of n=10, 20, 30, 50,75, and 100. We set aside 100 randomly selected treatment plans from each of the two respective cohorts of 218 to serve as a validation set for all experiments. For each value of n, we randomly selected 100 different training sets with replacement from the remaining 118 plans. Each of the 100 training sets was used to train a model for each value of n and for both prostate and HN. To evaluate the models we predicted DVH curves for each of the 100 plans in the validation set. To estimate the minimum required sample size, we used the rank-sum test to determine if the median error for each sample size from 10 to 75 was equal to the median error for the maximum sample size of 100. Results: In general, larger sample sizes were required for HN compared to prostate. For prostate, a minimum training set size of 30 plans was needed to accurately predict the bladder DVH, while at least 75 plans were needed for the rectum. For HN, the minimum training set size was 100 for the larynx esophagus and spinal cord, 75 for the left parotid and mandible, and only 50 for the right parotid. Conclusion: The minimum sample size required for accurate treatment plan generation using KBP is OAR and site dependent. Adequate sample sizes are essential for successful clinical implementation of KBP models. This research was funded in part by the Natural Sciences and Engineering Research Council of Canada.
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 | 0,015 | 0,070 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».