Heterogeneous radiotherapy dose-outcomes response in parotid glands
Notice bibliographique
Résumé
Abstract Parotid glands are treated clinically as though the distribution of functional burden were homogeneous. Radiotherapy treatments are planned using whole parotid mean dose to predict risk of salivary dysfunction. Recent progress has identified specific parotid non-homogeneities by demonstrating the existence of regional, bath-and-shower, and dose-volume effects. In this work, parotid regional effects and their impact on salivary function are quantified using a non-parametric (model-free) approach. Regional effects have implications for clinical sparing practices. Radiotherapy planning contours, dose profiles, and late clinical outcomes from a single cohort consisting of N = 332 patients was used. Pre-radiotherapy and one year post-radiotherapy whole mouth stimulated saliva were collected for assessment of salivary dysfunction. Organ-at-risk parotid glands were segmented into 2, 3, 4, 18, and 96 equal-volume sub-segments. Sub-segment relative importance was derived from mean dose regressors using random forests and conditional inference trees. Regressor multicollinearity, cohort homogeneity, and overfitting were addressed. Linear and exponential whole parotid mean dose models were also implemented for comparison purposes. Exclusion of caudal-anterior sub-segments negatively impacted prediction the most. The most important sub-segments had importances (on average over all segmentation methods) or (at the finest level of segmentation) that of an equivalent sub-segment in a theoretical homogeneous parotid. In contrast, the least important sub-segments held virtually no importance for prediction. Both random forests and conditional inference trees outperformed parametric (model-based) techniques. Both improved prediction as segmentation was refined. Radiation dose to caudal-anterior aspects of the parotid are the strongest predictors of radiotherapy-induced late stimulated whole mouth saliva, and are thus the most clinically-relevant regions for controlling dysfunction. Cranial and posterior aspects are less important. Shifting dose from regions of high importance to low importance may therefore improve patient outcomes.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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) | 0,000 | 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 ».