Machine learning automated treatment planning for online magnetic resonance guided adaptive radiotherapy of prostate cancer
Notice bibliographique
Résumé
Background and purpose: No best practices currently exist for achieving high quality radiation therapy (RT) treatment plan adaptation during magnetic resonance (MR) guided RT of prostate cancer. This study validates the use of machine learning (ML) automated RT treatment plan adaptation and benchmarks it against current clinical RT plan adaptation methods. Materials and methods: We trained an atlas-based ML automated treatment planning model using reference MR RT treatment plans (42.7 Gy in 7 fractions) from 46 patients with prostate cancer previously treated at our institution. For a held-out test set of 38 patients, retrospectively generated ML RT plans were compared to clinical human-generated adaptive RT plans for all 266 fractions. Differences in dose-volume metrics and clinical objective pass rates were evaluated using Wilcoxon tests (p < 0.05) and Exact McNemar tests (p < 0.05), respectively. Results: Compared to clinical RT plans, ML RT plans significantly increased sparing and objective pass rates of the rectum, bladder, and left femur. The mean ± standard deviation of rectum D20 and D50 in ML RT plans were 2.5 ± 2.2 Gy and 1.6 ± 1.3 Gy lower than clinical RT plans, respectively, with 14 % higher pass rates; bladder D40 was 4.6 ± 2.9 Gy lower with a 20 % higher pass rate; and the left femur D5 was 0.8 ± 1.8 Gy lower with a 7 % higher pass rate. Conclusions: ML automated RT treatment plan adaptation increases robustness to interfractional anatomical changes compared to current clinical adaptive RT practices by increasing compliance to treatment objectives.
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 ».