CONTOURING A NEW PATH: ONTARIO’S COLLABORATIVE APPROACH TO AI IN RADIOTHERAPY
Notice bibliographique
Résumé
The Radiation Therapy Community of Practice (RThCoP) embarked on a collaborative initiative to explore the implementation of artificial intelligence (AI) auto-contouring tools in radiation therapy planning. This initiative aims to understand the benefits and opportunities of auto-contouring solutions, their impact on program efficiency, and maintaining quality and safety while addressing the diverse needs of radiation therapy programs across multiple centres. The current state evaluation included representation from all participating regional cancer centres (RCCs) (n=7) using AI contouring tools, ensuring inclusivity and a broad range of perspectives. A series of structured meetings were conducted to gather insights and share experiences regarding AI contouring adoption. Key areas explored included integration into clinical workflows, addressing the learning curve associated with new technology, and measuring efficiency improvements. Feedback from these discussions will be used to develop actionable guidance, supplemented by evidence-based recommendations and consensus-driven best practices. Currently, three of seven RCCs utilize proprietary auto-contouring solutions embedded in their primary treatment planning system (TPS). Four of seven RCCs use third-party auto-contouring solutions, two of which plan to migrate to their primary TPS’s tools in the near future. Regardless of the tools in use, the initiative highlighted several benefits of adopting AI contouring, including reduced planning time, improved consistency in contouring, and enhanced resource allocation. However, opportunities for improvement include addressing variability in vendor solutions, training approaches to enhance confidence in AI-assisted workflows, and mitigating the perceived impact on the scope of practice for radiation therapists. Collaboration among centres allowed for the sharing of strategies to address these challenges, fostering a sense of community and shared learning. The current state evaluation has provided centres with an initial understanding of the benefits and opportunities for improvement when integrating AI contouring into clinical practice. Early AI adopters reported measurable improvements in workflow efficiency and reductions in inter-clinician variability. The initiative also underscored the importance of fostering a culture of continuous learning and adaptability in adopting emerging technologies. The work of the RThCoP aims to establish a foundation for scaling AI contouring practices across the broader radiation therapy community, with the potential to improve patient outcomes and optimize resource utilization on a larger scale. Most importantly, the initiative underscores the need for the RThCoP in fostering collaboration across Ontario, creating a platform for centres to share resources, align on best practices, and collectively address challenges in adopting AI contouring and beyond.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,044 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,025 | 0,013 |
| Communication savante | 0,013 | 0,006 |
| Science ouverte | 0,006 | 0,018 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».