Dose Aware Toxicity Prediction in Head and Neck Cancer Patients Using a Deformable 3D CNN on Daily CBCT Acquisitions
Notice bibliographique
Résumé
With recent advancements in intensity-modulated radiotherapy and image guidance for cancer treatment, there is growing interest in Deep Learning-based Adaptive Radiotherapy due to its potential to mitigate radiation toxicity. During the course of treatment, daily acquisitions of cone beam computed tomography (CBCT) allows to monitor significant anatomical changes around the tumour target area and the response to treatment. Previous works have demonstrated the benefits of using anatomical deformation features as predictors of early toxicities. The objective of this work is to investigate the use of radiomic distributions to predict early reactive na-sogastric tubing (NG tube), radionecrosis and broad hospitalisation based on initial dosimetry plans. We propose a method combining inter-fractional anatomical deformation, dosimetry and clinical information to improve the prediction performance. For this work we implement a deformable registration pipeline and train a 3D convo-lutional neural network model on the Jacobian determinants of the deformation vector fields between different fractions of treatment. We exploit the dose plans as feature maps to focus the attention of the network on areas susceptible to radiation toxicity. We obtain balanced accuracy scores of 75.4% for radionecrosis at fraction 20,61.1% for hospitalisation after the first week of treatment and 74.1% for NG tube insertion after the 5<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">th</sup> week.
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 ».