Modern Tools for Modern Brachytherapy
Notice bibliographique
Résumé
This review aims to showcase the brachytherapy tools and technologies that have emerged during the last 10 years. Soft-tissue contrast using magnetic resonance and ultrasound imaging has seen enormous growth in use to plan all forms of brachytherapy. The era of image-guided brachytherapy has encouraged the development of advanced applicators and given rise to the growth of individualised 3D printing to achieve reproducible and predictable implants. These advances increase the quality of implants to better direct radiation to target volumes while sparing normal tissue. Applicator reconstruction has moved beyond manual digitising, to drag and drop of three-dimensional applicator models with embedded pre-defined source pathways, ready for auto-recognition and automation. The simplified TG-43 dose calculation formalism directly linked to reference air kerma rate of high-energy sources in the medium water remains clinically robust. Model-based dose calculation algorithms accounting for tissue heterogeneity and applicator material will advance the field of brachytherapy dosimetry to become more clinically accurate. Improved dose-optimising toolkits contribute to the real-time and adaptive planning portfolio that harmonises and expedites the entire image-guided brachytherapy process. Traditional planning strategies remain relevant to validate emerging technologies and should continue to be incorporated in practice, particularly for cervical cancer. Overall, technological developments need commissioning and validation to make the best use of the advanced features by understanding their strengths and limitations. Brachytherapy has become high-tech and modern by respecting tradition and remaining accessible to all.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».