Advanced automated treatment planning for total body irradiation: Implementation and effects on standardization
Notice bibliographique
Résumé
PURPOSE: This work describes the automation of our volumetric modulated arc therapy (VMAT) total body irradiation (TBI) treatment planning. It also aims to determine if plan standardization is impacted by automation. METHODS: We introduced automated beam placement for TBI in March 2021. For manual beam placement pre-2021, Python-modified DICOM files were imported to pre-set cumulative meterset weights, with other parameters selected by dosimetrists. Our automated planning script automates these processes and sets gantry stop angles and isocentre placement. To determine the impact of automation on plan standardization, we performed a retrospective review of a matched cohort of 168 patients. Plan parameters were compared with an external standard, and passing rates compared between patient cohorts. The dosimetric impact was investigated by comparing a Body-5 mm homogeneity index (HI = D2%/D98%) and mean lung dose (MLD) between cohorts. RESULTS: Results are listed for manual and automated groups respectively. Median (range) passing rates were 97.7% (96.1-100) and 99.2% (98.3-100). Automated plans had a significantly higher passing rate (p ≪ 0.05) and smaller variance (p = 0.001). Most failures were attributed to human error. Automated plans also had more consistent parameter identifiers. After considering dimensional outliers, median (range) Body-5 mm HI were 1.18 (1.14-1.23) and 1.18 (1.15-1.26), and mean ± standard deviation MLD were 103.8 ± 1.3% and 104.1 ± 0.9%. Variances were not significantly different between Body-5 mm HI (p = 0.092) but were for MLD (p = 0.013). CONCLUSIONS: Implementation of automated planning in TBI resulted in significantly improved plan standardization. The decrease in variance of the MLD for the automated planning group points towards a potential dosimetric benefit of automation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».