MétaCan
Menu
← Retour à la cohorte
Enregistrement W4413117286 · doi:10.1002/mp.18073

Seventy‐First Annual Scientific Meeting of Canadian Organization of Medical Physicists, RBC Place London, London, Ontario, June 5–7, 2025

2025· article· en· W4413117286 sur OpenAlexaboutno aff

Notice bibliographique

RevueMedical Physics · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueAdvances in Oncology and Radiotherapy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedical physicistLibrary scienceMedical physicsMedicineComputer science

Résumé

récupéré en direct d'OpenAlex

Purpose: Head and neck cancer (HNC) patients undergoing radiotherapy often experience significant anatomical changes that necessitate replanning.However, replanning is resource-intensive and decided on short notice.Therefore, we aim to predict the progression of anatomical changes throughout radiotherapy so that replanning can be anticipated in advance.Methods: We trained a variational autoencoder (VAE) to learn condensed latent vectors of CBCT scans using our in-house dataset of 420 HNC patients and 5323 CBCT scans.Subsequently, we developed a model to predict changes in these latent-space vectors over time based on the initial CBCT and clinical features (eg.staging, chemotherapy, etc.).Points along the predicted latent trajectory were decoded by the VAE to reconstruct synthetic future CBCT images.We evaluated the model by calculating the Dice score between actual and predicted body masks for each fraction.Additionally, we assessed the percent change of the area between the first and subsequent fractions in true versus predicted images, a useful replanning metric for determining shrinkage.Results: Initially, we trained our models on binary masks of single image slices, rather than the full CBCT.Our model achieved an average test set Dice score of 0.94 and area error of 5.9% for all fractions.The area error decreases as more CBCTs are incorporated throughout treatment.We are expanding our model to predict 3D anatomical changes and implementing a replanning flagging system based on the expected changes. Conclusion:In a DIBH treatment, 3D CRT techniques is dosimetrically advantageous and more forgiving to tolerance over VMAT.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,702
Score d'incertitude au seuil0,897

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,001
Communication savante0,0040,001
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,3710,147

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,296
Écart entre enseignants0,289 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical Physics→Même sujetAdvances in Oncology and Radiotherapy→Travaux en français237 207→