Radiotherapy Plan Quality Assurance in NRG Oncology Trials for Brain and Head/Neck Cancers: An AI-Enhanced Knowledge-Based Approach
Notice bibliographique
Résumé
The quality of radiation therapy (RT) treatment plans directly affects the outcomes of clinical trials. KBP solutions have been utilized in RT plan quality assurance (QA). In this study, we evaluated the quality of RT plans for brain and head/neck cancers enrolled in multi-institutional clinical trials utilizing a KBP approach. The evaluation was conducted on 203 glioblastoma (GBM) patients enrolled in NRG-BN001 and 70 nasopharyngeal carcinoma (NPC) patients enrolled in NRG-HN001. For each trial, fifty high-quality photon plans were utilized to build a KBP photon model. A KBP proton model was generated using intensity-modulated proton therapy (IMPT) plans generated on 50 patients originally treated with photon RT. These models were then applied to generate KBP plans for the remaining patients, which were compared against the submitted plans for quality evaluation, including in terms of protocol compliance, target coverage, and organ-at-risk (OAR) doses. RT plans generated by the KBP models were demonstrated to have superior quality compared to the submitted plans. KBP IMPT plans can decrease the variation of proton plan quality and could possibly be used as a tool for developing improved plans in the future. Additionally, the KBP tool proved to be an effective instrument for RT plan QA in multi-center clinical trials.
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 | 0,024 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».