Planification inverse avec approche par segments anatomiques et non anatomiques en radiothérapie externe appliquée à l'ORL
Bibliographic record
Abstract
La modulation d'intensité des faisceaux en radiothérapie externe (IMRT) permet de réaliser des plans de traitements plus conformes au volume cible tout en épargnant davantage les structures plus sensibles à la radiation. Cependant, la réalisation de tels plans nécessite une utilisation accrue de segments, générés par le collimateur multilames~(MLC), et d'unités moniteurs (UM) par rapport à la technique conventionnelle. Il en résulte des inconvénients comme une augmentation de la contribution du diffusé à la dose, plus d'incertitudes pour le calcul de la dose, une sensiblité plus grande aux mouvements intra-fractions et des ressources plus importantes pour planifier un plan de traitement. Dans un tel contexte, des plans ont été réalisés à l'aide du logiciel Ballista pour la région tête et cou. Ce logiciel utilise des champs prédéterminés et offre la possibilité d'optimiser l'orientation des faisceaux. Dans le but d'offrir des plans de qualités dosimétriques comparable au plan d'IMRT, l'ajout de segments prédéterminés non anatomiques a été réalisé pour les plans balistiques. Avec des corrections manuelles du MLC, il s'est avéré possible de générer des plans comparables à ceux réalisés en IMRT, et ce avec moins de segments et d'UM. Au total, 11 cas ont été réalisés selon cette approche. De plus, la robustesse des deux méthodes de planification à l'amaigrissement du patient et aux erreurs de position du collimateur multilame a été abordée. En IMRT classique, aucune optimisation de l'orientation des faisceaux est réalisée, une distribution coplanaire équidistante est employée. L'impact de l'utilisation des incidences, suggérées par Ballista, a aussi été étudié sur les plans d'IMRT.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".