WE‐AB‐209‐11: Prostate Cancer Treatment Planning: Sensitivity and Representative Objective Function Weights
Notice bibliographique
Résumé
Purpose: To develop an automated planning methodology that exploits patient sensitivity to objective function weights. Methods: Given a treatment plan, we first create an acceptable treatment region that encompasses a set of treatment plans with similar clinical performance (e.g., +/−1% at V70Gy). We use inverse optimization to map this region in criterion space to the weight space and find a corresponding region of acceptable weight vectors (W). The shape and size of W describes how sensitive a patient is to perturbations in objective function weights. To exploit the information encoded by these regions, we approximate W for each patient by a polyhedron and we cluster patients using a novel integer programming model with cluster sizes from k=1,2,…,10. Each cluster centroid is a representative objective function weight vector and we use these weight vectors to generate k treatment plans for each patient (AUTO plans). Using 315 prostate cancer plans, we determine the number of patients that would have received an improved treatment plan using our automated approach. Results: Clustering patients into five groups produced a global set of representative weights such that for 88% of patients there exists at least one AUTO plan that improves upon the clinical treatment plan in terms of organ‐at‐risk mean dose and clinical acceptability criteria satisfaction (i.e., V54Gy50% and V70Gy30%). The AUTO plans provided bladder or rectum mean dose improvement over the clinical treatment plans for 296 (94%) patients, bladder mean dose improvement for 185 (59%) patients, rectum mean dose improvement for 273 (87%) patients, and mean dose improvements for both bladder and rectum in 162 (51%) patients. The AUTO plans provided fewer violations for bladder/rectum V54Gy50% and slightly more for bladder/rectum V70Gy30% when compared to clinical plans. Conclusion: A method combining inverse optimization and clustering automatically produces prostate treatment plans for 88% of patients.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».