Deep learning-based prediction of dynamic blood dose estimates for head-and-neck cancer
Notice bibliographique
Résumé
Abstract Objective. During radiotherapy, the radiation dose delivered to circulating blood can result in radiation-induced lymphopenia, which is correlated with adverse clinical outcomes like lower survival. Increasingly complex models to simulate radiation dose delivery to circulating blood have been developed in response, and their inclusion during radiotherapy treatment planning has been suggested. However, performing full dynamic blood dose simulations which take into account temporal considerations such as blood flow dynamics and treatment delivery time during the iterative treatment planning process is currently infeasible. This work presents a quasi-instantaneous deep learning-based approach to estimate blood dose simulation results to allow for their inclusion during treatment planning. Approach. We used treatment planning computed tomography images and dose-volume histograms of 157 head-and-neck cancer patients to perform dynamic blood dose simulations (HEDOS). Subsequently, a deep neural network composed of fully-connected layers and a Transformer encoder was trained to estimate the blood dose distribution obtained from HEDOS, using the same inputs as HEDOS. We used 126 patients’ data for training and internal validation and the remaining 31 patients’ data for testing. To evaluate the proposed method, we calculated the Kullback–Leibler (KL) divergence between the prediction results and the ground truth data. Additionally, we compared the minimum dose delivered to 90% of the blood particles receiving the highest dose (D 90% ) to estimate the model’s clinical efficacy. Main results. The average and standard deviation of KL divergence between the prediction and the ground truth were 0.099 and 0.092, respectively. The D 90% calculated from the predicted distribution showed a mean-absolute-percentage error of 4.60% compared to the ground truth. Significance. A deep learning-based model capable of accurately and quasi-instantaneously predicting the results of dynamic blood dose simulations was developed, paving the way for the inclusion of dynamic blood dose simulations during radiotherapy treatment planning.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».