MétaCan
Menu
Retour à la cohorte
Enregistrement W3157330532 · doi:10.1287/ijoc.2022.1252

A Multiobjective Approach for Sector Duration Optimization in Stereotactic Radiosurgery Treatment Planning

2022· article· en· W3157330532 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
aboutLe titre ou le résumé porte un signal canadien du lexique géographique.

Notice bibliographique

RevueINFORMS journal on computing · 2022
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueAdvanced Radiotherapy Techniques
Établissements canadiensSunnybrook Health Science CentreHealth Sciences CentreToronto Metropolitan UniversityUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésIsocenterRadiosurgeryComputer scienceDuration (music)Set (abstract data type)Radiation treatment planningLinear programmingQuality (philosophy)CollimatorMathematical optimizationArtificial intelligenceMachine learningAlgorithmMathematicsMedicineRadiation therapySurgery

Résumé

récupéré en direct d'OpenAlex

Sector duration optimization (SDO) is a problem arising in treatment planning for stereotactic radiosurgery on Gamma Knife. Given a set of isocenter locations, SDO aims to select collimator size configurations and irradiation times thereof such that target tissues receive prescribed doses in a reasonable amount of treatment time and healthy tissues nearby are spared. We present a multiobjective linear programming model for SDO to generate a diverse collection of solutions so that clinicians can select the most appropriate treatment. We develop a generic two-phase solution strategy based on the ε-constraint method for solving multiobjective optimization models, 2phasε, which aims to systematically increase the number of high-quality solutions obtained, instead of conducting a traditional uniform search. To improve solution quality further and to accelerate the procedure, we incorporate some general and problem-specific enhancements. Moreover, we propose an alternative version of 2phasε, which makes use of machine learning tools to reduce the computational effort. In our computational study on eight previously treated real test cases, a significant portion of 2phasε solutions outperformed clinical results and those from a single-objective model from the literature. In addition to significant benefits of the algorithmic enhancements, our experiments illustrate the usefulness of machine learning strategies to reduce the overall run times nearly by half while maintaining or besting the clinical practice. History: Accepted by Paul Brooks, Area Editor for Applications in Biology, Medicine, and Healthcare. Funding: This work was supported in part by the Natural Sciences and Engineering Research Council of Canada [Discovery Grant RGPIN-2019-05588]. Supplemental Material: The software that supports the findings of this study is available within the paper and its Supplementary Information [ https://pubsonline.informs.org/doi/suppl/10.1287/ijoc.2022.1252 ] or is available from the IJOC GitHub software repository ( https://github.com/INFORMSJoC ) at [ http://dx.doi.org/10.5281/zenodo.7048848 ].

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.

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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,754
Score d'incertitude au seuil0,450

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 Opus0,023
Tête enseignante GPT0,294
Écart entre enseignants0,271 · 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