Abstract IA-22: Automated treatment planning and quality assurance in radiation oncology
Notice bibliographique
Résumé
Abstract The delivery of radiation for the treatment of cancer is a complicated process that requires both clinical and technical expertise to ensure radiation treatments are safe and effective. Sub-optimal radiation treatments have the potential to result in significant detriment to the patient and several studies have shown radiation treatments, which deviate from established clinical guidelines, result in worse patient outcomes. Therefore, the current radiation treatment process requires substantial multi-disciplinary resources to both generate and verify radiation treatments are of high-quality. In this talk, a previously validated machine learning platform customized for radiation oncology will be presented. The method automatically learns based on data from thousands of previously treated patients which relationships and patterns in radiation oncology image and treatment data and has been applied for automated data mining activities, automated quality assurance to support expedited radiation treatment review, and for radiation dose prediction to develop new radiation treatments by best deciding where dose should be placed and how dose should be delivered without requiring any manual intervention. Therefore, the method can be used to both generate personalized radiation treatments and to quantitatively score radiation treatments for quality and classify radiation treatments that have errors. The automated platform can readily be integrated into current clinical process to improve efficiency in the radiation treatment planning and plan review processes and to better utilize the vast data we have to ensure we are providing patients with highly personalized radiation treatments. Citation Format: Thomas G. Purdie. Automated treatment planning and quality assurance in radiation oncology [abstract]. In: Proceedings of the AACR Virtual Special Conference on Artificial Intelligence, Diagnosis, and Imaging; 2021 Jan 13-14. Philadelphia (PA): AACR; Clin Cancer Res 2021;27(5_Suppl):Abstract nr IA-22.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».