A pilot study of machine-learning based automated planning for primary brain tumours
Notice bibliographique
Résumé
PURPOSE: High-quality radiotherapy (RT) planning for children and young adults with primary brain tumours is essential to minimize the risk of late treatment effects. The feasibility of using automated machine-learning (ML) to aid RT planning in this population has not previously been studied. METHODS AND MATERIALS: We developed a ML model that identifies learned relationships between image features and expected dose in a training set of 95 patients with a primary brain tumour treated with focal radiotherapy to a dose of 54 Gy in 30 fractions. This ML method was then used to create predicted dose distributions for 15 previously-treated brain tumour patients across two institutions, as a testing set. Dosimetry to target volumes and organs-at-risk (OARs) were compared between the clinically-delivered (human-generated) plans versus the ML plans. RESULTS: The ML method was able to create deliverable plans in all 15 patients in the testing set. All ML plans were generated within 30 min of initiating planning. Planning target volume coverage with 95% of the prescription dose was attained in all plans. OAR doses were similar across most structures evaluated; mean doses to brain and left temporal lobe were lower in ML plans than manual plans (mean difference to left temporal, - 2.3 Gy, p = 0.006; mean differences to brain, - 1.3 Gy, p = 0.017), whereas mean doses to right cochlea and lenses were higher in ML plans (+ 1.6-2.2 Gy, p < 0.05 for each). CONCLUSIONS: Use of an automated ML method to aid RT planning for children and young adults with primary brain tumours is dosimetrically feasible and can be successfully used to create high-quality 54 Gy RT plans. Further evaluation after clinical implementation is planned.
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 ».