An International Study of Factors Affecting Variability of Dosimetry Calculations, Part 3: Contribution from Calculating Absorbed Dose from Time-Integrated Activity
Notice bibliographique
Résumé
Image-based dosimetry-guided radiopharmaceutical therapy has the potential to personalize treatment by limiting toxicity to organs at risk and maximizing the therapeutic effect. The <sup>177</sup>Lu dosimetry challenge of the Society of Nuclear Medicine and Molecular Imaging consisted of 5 tasks assessing the variability in the dosimetry workflow. The fifth task investigated the variability associated with the last step, dose conversion, of the dosimetry workflow on which this study is based. <b>Methods:</b> Reference variability was assessed by 2 medical physicists using different software, methods, and all possible combinations of input segmentation formats and time points as provided in the challenge. General descriptive statistics for absorbed dose values from the global submissions from participants were calculated, and variability was measured using the quartile coefficient of dispersion. <b>Results:</b> For the liver, which included lesions with high uptake, variabilities of up to 36% were found. The baseline analysis showed a variability of 29% in absorbed dose results for the liver from datasets where lesions included and excluded were grouped, indicating that variation in how lesions in normal liver were treated was a significant source of variability. For other organs and lesions, variability was within 7%, independently of software used except for the local deposition method. <b>Conclusion:</b> The choice of dosimetry method or software had a small contribution to the overall variability of dose estimates.
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 | 0,000 | 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) | 0,001 | 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 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 ».