Practice-based training strategy for therapist-driven prostate MR-Linac adaptive radiotherapy
Notice bibliographique
Résumé
Purpose: To develop a practice-based training strategy to transition from radiation oncologist to therapist-driven prostate MR-Linac adaptive radiotherapy. Methods and materials: In phase 1, 7 therapists independently contoured the prostate and organs-at-risk on T2-weighted MR images from 11 previously treated MR-Linac prostate patients. Contours were evaluated quantitatively (i.e. Dice similarity coefficient [DSC] calculated against oncologist generated online contours) and qualitatively (i.e. oncologist using a 5-point Likert scale; a score ≥ 4 was deemed a pass, a 90% pass rate was required to proceed to the next phase). Phase 2 consisted of supervised online workflow with therapists required no intervention from the oncologist on 10 total cases to advance. Phase 3 involved unsupervised therapist-driven workflow, with offline support from oncologists prior to the next fraction. Results: In phase 1, the mean DSC was 0.92 (range 0.85-0.97), and mean Likert score was 3.7 for the prostate. Five therapists did not attain a pass rate (3-5 cases with prostate contour score < 4), underwent follow-up one-on-one review, and performed contours on a further training set (n = 5). Each participant completed a median of 12 (range 10-13) cases in phase 2; of 82 cases, minor direction were required from the oncologist on 5 regarding target contouring. Radiation oncologists reviewed 179 treatment fractions in phase 3, and deemed 5 cases acceptable but with suggestions for next fraction; all other cases were accepted without suggestions. Conclusion: A training stepwise program was developed and successfully implemented to enable a therapist-driven workflow for online prostate MR-Linac adaptive radiotherapy.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».