Conventional vs machine learning–based treatment planning in prostate brachytherapy: Results of a Phase I randomized controlled trial
Notice bibliographique
Résumé
Purpose The purpose of this study was to evaluate the noninferiority of Day 30 dosimetry between a machine learning–based treatment planning system for prostate low-dose-rate (LDR) brachytherapy and the conventional, manual planning technique. As a secondary objective, the impact of planning technique on clinical workflow efficiency was also evaluated. Materials and Methods 41 consecutive patients who underwent I-125 LDR monotherapy for low- and intermediate-risk prostate cancer were accrued into this single-institution study between 2017 and 2018. Patients were 1:1 randomized to receive treatment planning using a machine learning–based prostate implant planning algorithm (PIPA system) or conventional, manual technique. Treatment plan modifications by the radiation oncologist were evaluated by computing the Dice coefficient of the prostate V 150% isodose volume between either the PIPA—or conventional—and final approved plans. Additional evaluations between groups evaluated the total planning time and dosimetric outcomes at preimplant and Day 30. Results 21 and 20 patients were treated using the PIPA and conventional techniques, respectively. No significant differences were observed in preimplant or Day 30 prostate D 90% , V 100% , rectum V 100 , or rectum D 1cc between PIPA and conventional techniques. Although the PIPA group had a larger proportion of patients with plans requiring no modifications (Dice = 1.00), there was no significant difference between the magnitude of modifications between each arm. There was a large significant advantage in mean planning time for the PIPA arm (2.38 ± 0.96 min) compared with the conventional (43.13 ± 58.70 min) technique ( p >> 0.05). Conclusions A machine learning–based planning workflow for prostate LDR brachytherapy has the potential to offer significant time savings and operational efficiencies, while producing noninferior postoperative dosimetry to that of expert, conventional treatment planners.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».