Performance stability evaluation of atlas-based machine learning radiation therapy treatment planning in prostate cancer
Notice bibliographique
Résumé
Atlas-based machine learning (ML) for radiation therapy (RT) treatment planning is effective at tailoring dose distributions to account for unique patient anatomies by selecting the most appropriate patients from the training database (atlases) to inform dose prediction for new patients. However, variations in clinical practice between the training dataset and a new patient to be planned may impact ML performance by confounding atlas selection. In this study, we simulated various contouring practices in prostate cancer RT to investigate the impact of changing input data on atlas-based ML treatment planning. We generated 225 ML plans for nine bespoke contouring protocol scenarios (reduced target margins, modified organ-at-risk (OAR) definitions, and inclusion of optional OARs less represented in the training database) on 25 patient datasets by applying a single, previously trained and validated ML model for prostate cancer followed by dose mimicking to create a final deliverable plan. ML treatment plans for each scenario were compared to base ML treatment plans that followed a contouring protocol consistent with the model training data. ML performance was evaluated based on atlas distance metrics that are calculated during ML dose prediction. There were significant changes between atlases selected for the base ML treatment plans and treatment plans when planning target volume margins were reduced and/or optional OARs were included. The deliverability of ML predicted dose distributions based on gamma analysis between predicted and mimicked final deliverable dose showed significant differences for seven out of eight scenarios compared with the base ML treatment plans. Overall, there were small but statistically significant dosimetric changes in predicted and mimicked dose with addition of optional OAR contours. This work presents a framework for benchmarking and performance monitoring of ML treatment planning algorithms in the context of evolving clinical practices.
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 | 0,007 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».