MétaCan
Menu
Retour à la cohorte
Enregistrement W2906586013 · doi:10.1016/j.medengphy.2018.12.011

Beam selection for stereotactic ablative radiotherapy using Cyberknife with multileaf collimation

2018· article· en· W2906586013 sur OpenAlexfundno aff
James L. Bedford, Peter Ziegenhein, Simeon Nill, Uwe Oelfke

Notice bibliographique

RevueMedical Engineering & Physics · 2018
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueAdvanced Radiotherapy Techniques
Établissements canadiensnon disponible
Organismes subventionnairesDepartment of Health and Social CareInstitute of Cancer ResearchNational Institutes of HealthCancer Research UKAccurayNational Institute for Health and Care ResearchNIHR Biomedical Research Centre, Royal Marsden NHS Foundation Trust/Institute of Cancer ResearchRoyal Marsden NHS Foundation TrustHealth Research
Mots-clésMultileaf collimatorCyberknifeBeam (structure)CollimatorCollimated lightRadiosurgeryLaser beam qualityComputer scienceMedical physicsOpticsLinear particle acceleratorRadiation therapyNuclear medicinePhysicsMedicineRadiology

Résumé

récupéré en direct d'OpenAlex

The Cyberknife system (Accuray Inc., Sunnyvale, CA) enables radiotherapy using stereotactic ablative body radiotherapy (SABR) with a large number of non-coplanar beam orientations. Recently, a multileaf collimator has also been available to allow flexibility in field shaping. This work aims to evaluate the quality of treatment plans obtainable with the multileaf collimator. Specifically, the aim is to find a subset of beam orientations from a predetermined set of candidate directions, such that the treatment quality is maintained but the treatment time is reduced. An evolutionary algorithm is used to successively refine a randomly selected starting set of beam orientations. By using an efficient computational framework, clinically useful solutions can be found in several hours. It is found that 15 beam orientations are able to provide treatment quality which approaches that of the candidate beam set of 110 beam orientations, but with approximately half of the estimated treatment time. Choice of an efficient subset of beam orientations offers the possibility to improve the patient experience and maximise the number of patients treated.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,716
Score d'incertitude au seuil0,679

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,278
Écart entre enseignants0,268 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical Engineering & PhysicsMême sujetAdvanced Radiotherapy TechniquesTravaux en français237 207