Comparison of Three Commercial Methods of Cone-Beam Computed Tomography-Based Dosimetric Analysis of Head-and-Neck Patients with Weight Loss
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.
Notice bibliographique
Résumé
Purpose: This investigation compares three commercial methods of cone-beam computed tomography (CBCT)-based dosimetric analysis to a method based on repeat computed tomography (CT). Materials and Methods: Seventeen head-and-neck patients treated in 2020, and with a repeat CT, were included in the analyses. The planning CT was deformed to anatomy in repeat CT to generate a reference plan. Two of the CBCT-based methods generated test plans by deforming the planning CT to CBCT of fraction N using VelocityAI™ and SmartAdapt ® . The third method compared directly calculated doses on the CBCT for fraction 1 and fraction N, using PerFraction™. Maximum dose to spinal cord (Cord_dmax) and dose to 95% volume (D95) of planning target volumes (PTVs) were used to assess “need to replan” criteria. Results: The VelocityAI™ method provided results that most accurately matched the reference plan in “need to replan” criteria using either Cord_dmax or PTV D95. SmartAdapt ® method overestimated the change in Cord_dmax (6.77% vs. 3.85%, P < 0.01) and change in cord volume (9.56% vs. 0.67%, P < 0.01) resulting in increased false positives in “need to replan” criteria, and performed similarly to VelocityAI™ for D95, but yielded more false negatives. PerFraction™ method underestimated Cord_dmax, did not perform any volume deformation, and missed all “need to replan” cases based on cord dose. It also yielded high false negatives using the D95 PTV criteria. Conclusions: The VelocityAI™-based method using fraction N CBCT is most similar to the reference plan using repeat CT; the other two methods had significant differences.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,001 |
| 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 découle