Automated plan generation for prostate radiotherapy patients using deep learning and scripted optimization
Notice bibliographique
Résumé
Background and Purpose: Treatment planning is a time-intensive task that could be automated. We aimed to develop a "single-click" workflow, fully deployed within a commercial treatment planning system (TPS), for autoplanning prostate radiotherapy treatment plans using predictions from a deep learning model (DLM). Materials and Methods: Automatically generated treatment plans were created with a single script, executed from within a commercial TPS scripting environment, that performed two stages sequentially. Initially, a 3D dose distribution was predicted with a ResUNet DLM. The DLM was trained and validated using previously treated datasets (n = 120) which used 3D contours as inputs. Following this, dose predictions were converted into treatment plans by extracting dose-volume metrics from the predictions to use as objectives for the inverse optimizer within the TPS. An independent test dataset (n = 20) was used to evaluate the similarity between automated and clinical plans. Results: . Bladder and rectum volume-at-dose objectives agreed within -6.1% [(-12.5)-0.9%]. The conversion of the DLM prediction into a treatment plan took 15 min [13-16 min]. Conclusions: An automatic plan generation workflow that uses a DL model with scripted optimization was fully deployed in a commercial TPS. Autoplans were compared to previously treated clinical plans and were found to be non-inferior.
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 ».