A Prospective Study of Machine Learning-Assisted Radiation Therapy Planning for Patients Receiving 54 Gy to the Brain
Notice bibliographique
Résumé
PURPOSE: The capacity for machine learning (ML) to facilitate radiation therapy (RT) planning for primary brain tumors has not been described. We evaluated ML-assisted RT planning with regard to clinical acceptability, dosimetric outcomes, and planning efficiency for adults and children with primary brain tumors. METHODS AND MATERIALS: In this prospective study, children and adults receiving 54 Gy fractionated RT for a primary brain tumor were enrolled. For each patient, one ML-assisted RT plan was created and compared with 1 or 2 plans created using standard ("manual") planning procedures. Plans were evaluated by the treating oncologist, who was blinded to the method of plan creation. The primary endpoint was the proportion of ML plans that were clinically acceptable for treatment. Secondary endpoints included the frequency with which ML plans were selected as preferable for treatment, and dosimetric differences between ML and manual plans. RESULTS: A total of 116 manual plans and 61 ML plans were evaluated across 61 patients. Ninety-four percent of ML plans and 93% of manual plans were judged to be clinically acceptable (P = 1.0). Overall, the quality of ML plans was similar to manual plans. ML plans comprised 34.5% of all plans evaluated and were selected for treatment in 36.1% of cases (P = .82). Similar tumor target coverage was achieved between both planning methods. Normal brain (brain minus planning target volume) received an average of 1 Gy less mean dose with ML plans (compared with manual plans, P < .001). ML plans required an average of 45.8 minutes less time to create, compared with manual plans (P < .001). CONCLUSIONS: ML-assisted automated planning creates high-quality plans for patients with brain tumors, including children. Plans created with ML assistance delivered slightly less dose to normal brain tissues and can be designed in less time.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».