Inteligencia artificial en la planificación del tratamiento de radioterapia: presente y futuro
La inteligencia artificial (IA) se ha convertido recientemente en una de las palabras más populares tanto en la industria como en el mundo académico. Conocida como un término de tecnología moderna, la IA se percibía como una entidad poderosa que podía «pensar y actuar humanamente sin perder la racionalidad».1 En los campos de la informática, la IA se define como el estudio de algoritmos y dispositivos que perciben información del entorno y toman medidas para maximizar las posibilidades de lograr objetivos específicos.2 Debido a los rápidos aumentos en la potencia computacional, así como en las capacidades de recopilación e intercambio de datos, en los últimos años se han publicado una gran cantidad de técnicas de IA, en particular teorías y algoritmos de aprendizaje profundo. Después de esta explosión de técnicas, la IA ha impregnado casi todos los aspectos de nuestras vidas y está revolucionando rápidamente la forma en que vivimos. En el campo de la oncología radioterápica, la revolución de la IA también se ha basado en el apoyo automatizado de varias partes del flujo de trabajo clínico de radioterapia: segmentación de dianas y tejidos, planificación del tratamiento, administración de radioterapia y evaluación de la respuesta al tratamiento. Este artículo revisa las herramientas de planificación automática del tratamiento (ATP) en la planificación del tratamiento de radioterapia, que han evolucionado desde la simple ejecución de la automatización hasta el desarrollo de la IA como un futuro reemplazo del proceso de planificación del tratamiento manual actual. La inteligencia artificial en la planificación del tratamiento de radioterapia, en particular las investigaciones basadas en el aprendizaje profundo, sería el foco de este artículo. Las aplicaciones de la inteligencia artificial en otros aspectos de la radioterapia, como la autosegmentación, el procesamiento de imágenes o el control de calidad, se pueden encontrar en otras revisiones.3,4,5
La planificación del tratamiento de radioterapia, especialmente la planificación del tratamiento inverso, es un proceso laborioso que tarda horas o incluso días en completarse. La Figura 1A muestra un breve flujo de trabajo del proceso de planificación manual del tratamiento en la práctica clínica actual. Un flujo de trabajo comienza con una lista de requisitos dosimétricos, incluida la cobertura del objetivo y las restricciones de órganos en riesgo (OAR). Con base en los requisitos específicos de cada caso, un planificador humano toma decisiones sobre los parámetros básicos de planificación, incluida la energía del haz, el número, los ángulos, etc. Si bien generar un plan mínimamente aceptable puede ser rápido, mejorar un plan es mucho menos sencillo y, a menudo, requiere muchas iteraciones entre los planificadores del sistema de planificación del tratamiento (TPS). Además, es posible que los médicos deban interactuar con los planificadores humanos de un lado a otro para mejorar el plan en función de los resultados intermedios del plan. La naturaleza iterativa de estas interacciones conduce a tremendos esfuerzos humanos y compromiso de tiempo.
Figura 1. A, Un breve flujo de trabajo de planificación manual del tratamiento. B, Un breve flujo de trabajo de ARIR en la planificación del tratamiento. C, Un breve flujo de trabajo de KBP en la planificación del tratamiento. D, Un breve flujo de trabajo de MCO en la planificación del tratamiento. E, Un breve flujo de trabajo del uso de la IA en la planificación del tratamiento futuro. IA indica inteligencia artificial; ARIR, implementación y razonamiento automatizado de reglas; KBP, planificación basada en el conocimiento; MCO, optimización multicriterio.
El proceso de planificación del tratamiento futuro utilizando un poderoso agente de IA puede ser efectivo y eficiente con una mínima intervención humana. La Figura 1E demuestra el papel de la IA en el flujo de trabajo de planificación del tratamiento futuro. Prevemos que la IA puede implementar todas las operaciones humanas y lógicas de razonamiento basadas en el análisis exhaustivo de la anatomía del paciente. Parámetros como la prescripción del tratamiento y la técnica de administración se pueden especificar como aportes humanos de los médicos, pero estos parámetros se pueden incorporar a la toma de decisiones de IA. El flujo de trabajo futuro implica un esfuerzo humano mínimo por parte de los planificadores humanos y los médicos; Los esfuerzos humanos ahorrados se pueden utilizar para otras tareas de atención clínica centradas en el ser humano.
Avances recientes de la IA en ATP
Un enfoque de modelado basado en el conocimiento fue uno de los primeros avances en ATP. Boutilier et al evaluaron la aplicabilidad clínica de la predicción simultánea de los pesos objetivo de optimización para la IMRT de próstata. Utilizando pesos óptimos de objetivos en casos anteriores, se implementaron algoritmos de regresión logística multinomial y K-vecino más cercano ponderado en el entrenamiento de predicción de peso. Los resultados mostraron que ambas metodologías podían producir buenas predicciones para los planes clínicos, aunque no se encontraron mejoras significativas en el rendimiento en comparación con el modelo que utiliza regresión logística. Ma et al propusieron modelos basados en el conocimiento utilizando la regresión de vectores de soporte (RVS). En su trabajo, se utilizó una optimización solo de PTV en ausencia de consideraciones de OAR como entrada del modelo además de las características anatómicas / geométricas, y SVR implementó la predicción de DVH como una técnica sólida de aprendizaje supervisado. En un estudio comparativo, este modelo fue más preciso que el modelo RapidPlan en la predicción de la DVH de vejiga y recto.
Otra área de investigación importante en ATP es la predicción de la distribución espacial de la dosis. Si bien la predicción basada en DVH es frecuente, su falta de información espacial puede no revelar ciertos puntos finales dosimétricos, como la conformidad de la dosis y las mediciones de gradiente. La predicción precisa de la distribución espacial de la dosis puede proporcionar orientación a los humanos en la toma de decisiones durante el proceso de planificación del tratamiento manual para mejorar potencialmente la calidad y la eficiencia. Además, la distribución de dosis prevista se puede utilizar para un flujo de trabajo de ATP totalmente automatizado sin necesidad de optimización inversa basada en DVH. Campbell y Miften desarrollaron modelos de dosis de redes neuronales artificiales para la predicción de la distribución espacial de la dosis de radioterapia corporal estereotáctica pancreática (SBRT). La red fue entrenada por planes clínicos con parámetros del plan parámetros geométricos basados en vóxeles. Los resultados mostraron una precisión prometedora de la distribución de dosis en 3D. Nguyen et al utilizaron una modificación en la arquitectura U-net para la predicción de la distribución de dosis de IMRT de próstata coplanar. Sobre la base de redes totalmente convolucionales, se propuso U-net para la segmentación de imágenes con operaciones de convolución transpuestas para mantener la dimensión original de la imagen. U-net permite la entrada directa de imágenes que evita las extracciones de características (selecciones de características hechas a mano). Esto podría reducir el requisito de interpretación de datos durante el proceso de modelado clásico (p. ej., proceso de modelado basado en el conocimiento). En la predicción basada en 2D, se encontró que los valores promedio de la diferencia de dosis absoluta eran de alrededor del 2% en PTV y menos del 5% de la dosis recetada en los OAR. De manera similar, Kearney et al propusieron una red neuronal de predicción de dosis volumétrica completamente convolucional (DoseNet) para la predicción de la distribución de dosis 3D de SBRT de próstata con un posible régimen de tratamiento no coplanar. En comparación con U-net, se afirmó que DoseNet había reducido la redundancia de la red como resultado de la inclusión de bloques residuales. Chen et al adoptaron un modelo de red neuronal convolucional (CNN) publicado, ResNet, para la predicción de la distribución de dosis de cáncer de nasofaringe en radioterapia de refuerzo integrada simultánea Este modelo de predicción se utilizó para predecir un mapa de dosis gruesas de cada paciente con contenido de intensidad reducido, y se recuperó un mapa de dosis completo del mapa de dosis gruesas mediante un filtro de paso bajo regularizado gaussiano. Basado en una arquitectura combinada de DenseNet y U-net, Barragán-Montero et al incorporaron la variación del ángulo del haz en la IMRT pulmonar y desarrollaron un modelo que puede predecir la distribución espacial de la dosis con una disposición variable del haz.
La predicción exitosa de los parámetros dosimétricos debe convertirse en planes de tratamiento clínico. Algunos estudios han explorado la viabilidad de la generación automática de planes que pueden conducir a planes entregables. Long et al propusieron un marco de optimización basada en umbrales para la planificación automática basada en referencias, que genera automáticamente un plan de tratamiento a partir de un conjunto de DVH de referencia predicho derivado de la distribución de dosis basada en vóxeles. Mahmood et al propusieron un flujo de trabajo KBP para la generación de planes. Para el plan de IMRT orofaríngea, se predijo la distribución de dosis en 3D y el plan real se generó hacia adelante mediante el uso de la optimización basada en DVH y un conjunto de restricciones en coordenadas dosis-volumen predeterminadas. En un estudio reciente reportado por Fan et al, La distribución de dosis 3D en el cáncer de cabeza y cuello se predijo por primera vez mediante un marco basado en ResNet. Para la generación de planes, en lugar de la optimización inversa basada en DVH, el problema inverso se resolvió mediante un problema de norma L2 entre la distribución de dosis prevista y la distribución de dosis real. Se utilizó un software de código abierto de optimización de mapas de fluencia para este problema de norma L2 y se generaron planes clínicamente aceptables 5.
1. Russell SJ, Norvig P. Inteligencia artificial: un enfoque moderno. Upper Saddle River, Nueva Jersey: Pearson Education Limited; 2016.
2. Poole DL, Mackworth AK, Goebel R. Inteligencia computacional: un enfoque lógico. Nueva York, NY: Oxford University Press Nueva York; 1998.
3. Feng M, Valdés G, Dixit N, Solberg TD. Aprendizaje automático en oncología radioterápica: oportunidades, requisitos y necesidades. Frente Oncol. 2018;8:110.
4. Sahiner B, Pezeshk A, Hadjiiski LM, et al. Aprendizaje profundo en imágenes médicas y radioterapia. Med Phys. 2019; 46 (1): e1-e36.
5. Chunhao Wang, Xiaofeng Zhu, Julian C. Hong, Dandan Zheng, Artificial Intelligence in Radiotherapy Treatment Planning: Present and Future.Technology in Cancer Research & Treatment Volume 18: 1-11 ª The Author(s) 2019
