PS1 - 189 A Universal Predictive Model for Dose Fall-Off in MLC-Based Stereotactic Brain Radiosurgery
Notice bibliographique
Résumé
Predictive modeling of dose fall-off in radiosurgery could assist in clinical decision-making when prescribing a treatment plan with minimized toxicity risk. The purpose of this study is to develop a predictive dose fall-off model. Materials/Methods: We retrospectively reviewed treatment plans from 257 patients (365 lesions) with total doses ranging from 20 to 35Gy in 5 fractions. For each plan, we measured both total volume of the external contour (EXT) and BrainMinusPTV (BMP) receiving P=20% to P=80% of the prescription dose. The model has form y=Fa(PTV)b+/-delta. y=volume of EXT or BMP (cc’s); a and b are curve-fitting coefficients; PTV=total planning target volume (cc’s); F is an adjustment factor (>1) to account for number of targets; delta is the 95% prediction band. F, a, b, and delta were modeled such that dose-fall can be forecast for any PTV and dose level. Results: The model coefficients were as follows: Coefficient EXT BMP a 19927(100×P)exp(-2) 17122(100×P)exp(-2) b 0.42(100×P)exp(0.17) 0.63 F -0.0156×(100×P)+2.5517 delta 384467×(100×P)exp(-2.3159) The table can be used to determine the model for any P from 20% to 80%. Example: the EXT receiving 50%, P=0.5, a=8.0, b=0.82, F=1.8, delta=45. Thus, EXT-50=8(PTV0.82) or 1.8×8(PTV0.82) for 1-3 or >3 targets, respectively,+/-45cc’s. The model was verified against published values of dose fall-off from linacs. Conclusion: A predictive dose fall-off model was generated for linac-based radiosurgery. The model can be used for quality assurance or for inter-institutional comparisons. Ongoing work is being conducted to extend the model to a SRS cones system.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| 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 ».