Using deep learning generated CBCT contours for online dose assessment of prostate SABR treatments
Notice bibliographique
Résumé
Prostate Stereotactic Ablative Body Radiotherapy (SABR) is an ultra-hypofractionated treatment where small setup errors can lead to higher doses to organs at risk (OARs). Although bowel and bladder preparation protocols reduce inter-fraction variability, inconsistent patient adherence still results in OAR variability. At many centers without online adaptive machines, radiation therapists use decision trees (DTs) to visually assess patient setup, yet their application varies. To evaluate our center's DTs, we employed deep learning-generated cone-beam computed tomography (CBCT) contours to estimate daily doses to the rectum and bladder, comparing these with planned dose-volume metrics to guide future personalized DT development. Two hundred pretreatment CBCT scans from 40 prostate SABR patients (each receiving 40 Gy in five fractions) were auto-contoured retrospectively, and daily rectum and bladder doses were estimated by overlaying the planned dose on the CBCT using online rigid registration data. Dose-volume metrics were classified as "no", "minor", or "major" violations based on meeting preferred or mandatory goals. Twenty-seven percent of fractions exhibited at least one major bladder violation (with an additional 34% minor), while 14% of fractions had a major rectum violation (10% minor). Across treatments, five patients had recurring bladder V37 Gy major violations and two had rectum V36 Gy major violations. Bowel and bladder preparation significantly influenced OAR position and volume, leading to unmet mandatory goals. Our retrospective analysis underscores the significant impact of patient preparation on dosimetric outcomes. Our findings highlight that DTs based solely on visual assessment miss dose metric violations due to human error; only 23 of 59 under-filled bladder fractions were flagged. In addition to the insensitivity of visual assessments, variability in DT application further compromises patient setup evaluation. These analyses confirm that reliance on visual inspection alone can overlook deviations, emphasizing the need for automated tools to ensure adherence to dosimetric constraints in prostate SABR.
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) | 0,001 | 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 | 0,001 |
| 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 ».