Performance of a knowledge‐based planning model for optimizing intensity‐modulated radiotherapy plans for partial breast irradiation
Notice bibliographique
Résumé
PURPOSE: To evaluate a knowledge-based (KB) planning model for RapidPlan, generated using a five-field intensity-modulated radiotherapy (IMRT) class solution beam strategy and rigorous dosimetric constraints for accelerated partial breast irradiation (APBI). MATERIALS AND METHODS: The RapidPlan model was configured using 64 APBI treatment plans and validated for 120 APBI patients who were not included in the training dataset. KB plan dosimetry was compared to clinical plan dosimetry, the clinical planning constraints, and the constraints used in phase III APBI trials. Dosimetric differences between clinical and KB plans were evaluated using paired two-tailed Wilcoxon signed-rank tests. RESULTS: KB planning was able to produce IMRT-based APBI plans in a single optimization without manual intervention that are comparable or better than the conventionally optimized, clinical plans. Comparing KB plans to clinical plans, differences in PTV, heart, contralateral breast, and ipsilateral lung dose-volume metrics were not clinically significant. The ipsilateral breast volume receiving at least 50% of the prescription dose was statistically and clinically significantly lower in the KB plans. CONCLUSION: KB planning for IMRT-based APBI provides equivalent or better dosimetry compared to conventional inverse planning. This model may be reliably applied in clinical practice and could be used to transfer planning expertise to ensure consistency in APBI plan quality.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».