MétaCan
Menu
← Retour à la cohorte
Enregistrement W4221109512 · doi:10.1088/1361-6560/ac5ce5

An updated approach for deriving PTV margins using image guidance and deformable dose accumulation

2022· article· en· W4221109512 sur OpenAlexaff
Amy Frederick, Sarah Quirk, Petra Grendarova, Lukas van Dyke, Tyler Meyer, Sarah Weppler, Michael Roumeliotis

Notice bibliographique

RevuePhysics in Medicine and Biology · 2022
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueAdvanced Radiotherapy Techniques
Établissements canadiensNorthwestern PolytechnicFoothills Medical CentreUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésMargin (machine learning)MedicineImage registrationRadiation therapyStage (stratigraphy)Metric (unit)Nuclear medicineRadiation treatment planningCohortPopulationMedical physicsRadiologyComputer scienceArtificial intelligenceImage (mathematics)Machine learning

Résumé

récupéré en direct d'OpenAlex

Abstract Objective. To demonstrate an updated approach for deriving planning target volume (PTV) margins for a patient population treated with volumetric image-guided radiotherapy. Approach. The approach uses a semi-automated workflow within commercial radiotherapy applications that combines dose accumulation with the bidirectional local distance (BLD) metric. The patient cohort is divided into derivation and validation datasets. For each patient in the derivation dataset, a treatment plan is generated with a 0 mm PTV margin (the idealized treatment scenario without the influence of the standard margin). Deformable image registration enabled dose accumulation of these zero-margin plans. PTV margins are derived by using the BLD to calculate the geometric extent of underdosed regions of the clinical target volume (CTV). The PTV margin is validated by ensuring the specified CTV coverage criterion is met when the margin is applied to the validation dataset. Main results. The methodology was applied to two cohorts: 40 oropharyngeal cancer patients and 50 early-stage breast cancer patients. Ten patients from each cohort were used for validation. PTV margins derived for the oropharyngeal and early-stage breast cancer patient cohorts were 3 and 5 mm, respectively, and ensure that 95% of the prescription dose is delivered to 98% of the CTV for 90% of patients. Dose accumulation showed that the CTV coverage criterion was achieved for at least 90% of patients when the margins were applied. Significance. This methodology can be used to derive appropriate PTV margins for realistic treatment scenarios and any disease site, which will improve our understanding of patient outcomes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,012
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,158
Tête enseignante GPT0,429
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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePhysics in Medicine and Biology→Même sujetAdvanced Radiotherapy Techniques→Travaux en français237 207→