Predicting the dose distribution of multi-lesion lung stereotactic ablative radiotherapy plans using generative adversarial networks
Notice bibliographique
Résumé
Stereotactic ablative radiotherapy (SABR) delivers a high dose of radiation to a small area and is frequently used to treat cancer patients with metastatic lesions in the lung. Selecting the appropriate prescription is a balance of delivering enough radiation to lesions to prevent recurrence, and minimizing the radiation delivered to organs at risk (OARs) to limit side effects. After a radiation oncologist (RO) selects a prescription, treatment planning software is used to create the dose distribution, and calculate radiation delivered to the lesions and OARs. If dose constraints are not met, a different prescription must be selected, and the process is repeated. Planning SABR treatments is resource intensive, and repeated iterations can lead to treatment delays. Recently, machine learning techniques have been used to create a dose distribution for a given SABR prescription. Thus far, these techniques only target single lesions and are not commonly implemented clinically. In this work, we create a conditional generative adversarial network (GAN) with a U-NET backbone to estimate the dose distribution of SABR treatments to 2-6 lesions in the lung. The GAN is conditioned on contours of the OARs and lesions, CT images, and an initial dose estimation. A novel loss function is used during training. Through the mean squared error and dose metrics used by ROs, the output of the GAN demonstrates good agreement with the ground truth dose. The model will allow ROs to efficiently compare prescriptions options, reduce departmental workload by the multidisciplinary team, and circumvent treatment delivery delays for patients.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».