L'apprentissage en profondeur permet des calculs de dose de protons rapides et précis

Une radiothérapie réussie repose sur la création d'un plan de traitement précis qui fournira une dose de rayonnement précise aux cibles prescrites. La précision de ce plan, cependant, est seulement aussi bonne que la précision des calculs de dose sous-jacents. Et pour la protonthérapie, le calcul précis de la dose est encore plus critique, car les protons délivrent une distribution de dose plus conforme que les photons et sont plus sensibles aux changements anatomiques.

S'exprimant lors du 1er atelier de recherche sur la protonthérapie de la clinique Mayo, Steve Jiang – professeur et directeur du Medical Artificial Intelligence and Automation (MAÏA) Laboratoire de l'UT Southwestern Medical Center - a décrit les principales exigences du calcul de la dose de protons - et décrit les moyens par lesquels l'apprentissage en profondeur pourrait aider à atteindre ces objectifs.

En plus d'une grande précision, a expliqué Jiang, les calculs de dose de protons doivent également être rapides. Pour la planification du traitement, cela signifie quelques minutes ; pour la replanification avant l'administration de fractions en radiothérapie adaptative, quelques secondes. À plus long terme, nous pourrions voir l'introduction d'une adaptation en temps réel lors de l'administration du traitement. "Nous ne faisons pas cela en ce moment", a-t-il noté. « Mais à un moment donné, nous pouvons vouloir adapter le plan de traitement en temps réel. Pour ce type d'application, nous aurons besoin d'un calcul de dose en millisecondes.

Actuellement, il existe deux principaux types de techniques utilisées pour le calcul de dose, représentées par : les algorithmes de faisceau crayon, qui sont moins précis mais assez rapides ; et les simulations de Monte Carlo (MC), qui sont plus précises mais généralement beaucoup plus lentes. "Mais nous avons besoin de précision et de rapidité pour les calculs de dose de protons", a déclaré Jiang. "Il existe donc un besoin clinique non satisfait : nous devons développer un algorithme à la fois rapide et précis."

Alors, comment cela peut-il être réalisé? Une approche consiste à améliorer l'efficacité des calculs MC, en utilisant des unités de traitement graphique (GPU) pour accélérer le code MC, par exemple, ou un débruitage basé sur l'apprentissage en profondeur pour réduire le bruit inhérent aux résultats calculés par MC. Une autre option consiste à utiliser des méthodes d'apprentissage en profondeur pour améliorer la précision des algorithmes de faisceau crayon. Enfin, il peut être possible de développer de nouveaux algorithmes totalement différents qui répondent aux deux exigences ; et l'apprentissage en profondeur pourrait aider à explorer cette possibilité.

Allier rapidité et précision

L'accélération GPU des simulations MC est déjà possible. Il y a dix ans (alors qu'ils étaient à l'UC San Diego et en collaboration avec le Mass General Hospital), Jiang et ses collègues ont développé gPMC, un package MC pour le calcul rapide de la dose de protons sur un GPU. Cela a permis de calculer un plan de traitement protonique typique avec une incertitude de 1 % en 10 à 20 s. Jiang note qu'avec les GPU plus rapides d'aujourd'hui, gPMC peut offrir une efficacité encore plus élevée.

En collaboration avec des collègues du laboratoire MAIA, Jiang a également développé un débruiteur MC basé sur l'apprentissage en profondeur. Ils ont créé un plugin de dose profonde qui peut être ajouté à n'importe quel moteur de dose MC basé sur GPU pour permettre le calcul de dose MC en temps réel. Le débruiteur fonctionne en seulement 39 ms, le calcul complet de la dose ne prenant que 150 ms. Jiang note que le plugin a été développé pour la radiothérapie par faisceau de photons, mais pourrait également être utilisé pour le débruitage MC dans les calculs de dose de protons.

Ensuite, Jiang a décrit les moyens d'utiliser directement les techniques d'apprentissage en profondeur pour le calcul de la dose. Il a souligné que cela diffère de la prédiction de dose, qui suppose une relation entre l'anatomie d'un patient et sa distribution de dose optimale, et utilise cette relation pour construire un modèle prédictif. Après s'être entraîné sur les données des traitements historiques du même site de maladie, le modèle prédit une distribution de dose optimale pour le nouveau patient et l'utilise pour guider la planification du traitement. UT Southwestern utilise ce type de prédiction de dose spécifique au patient en clinique depuis plus de deux ans maintenant.

Mais le calcul de la dose est plus que cela. "Ici, la relation que nous essayons d'exploiter est entre l'anatomie du patient, les paramètres de la machine et la distribution réelle de la dose", a déclaré Jiang. "Vous connaissez l'anatomie du patient, vous connaissez le plan de traitement, maintenant vous voulez voir quelle est la distribution de la dose, c'est donc un calcul de dose."

L'équipe de Jiang a d'abord développé le modèle de calcul de dose basé sur l'apprentissage profond pour radiothérapie par faisceau de photons. Le modèle est formé à l'aide de distributions de dose calculées par MC pour diverses anatomies de patients et paramètres de machine. Pour les entrées du modèle, l'équipe a utilisé le scanner du patient et la distribution de dose de traçage de rayons pour chaque faisceau, avec les paramètres de la machine codés dans le traçage de rayons. "Cela facilite l'ensemble du processus d'apprentissage en profondeur et constitue un bon moyen d'intégrer la physique dans l'apprentissage en profondeur", a noté Jiang.

Les chercheurs ont appliqué une approche similaire pour calcul de la dose de protons, en utilisant un modèle d'apprentissage en profondeur pour augmenter la précision du calcul de la dose du faisceau crayon à celle des simulations MC. Ils ont formé et testé le modèle à l'aide de distributions de doses à faisceau crayon et de données de la plateforme TOPAS MC, pour 290 cas de cancer de la tête et du cou, du foie, de la prostate et du poumon. Pour chaque plan, ils ont formé le modèle pour prédire la distribution de la dose de MC à partir de la dose du faisceau crayon.

L'approche a atteint des niveaux élevés d'accord entre la dose convertie et la dose MC. "Par rapport au faisceau crayon, nous constatons une énorme amélioration de la précision, et l'efficacité est toujours très élevée", a déclaré Jiang. Le modèle développé peut être ajouté au flux de travail clinique de la planification du traitement par protons pour améliorer la précision du calcul de la dose.

Jiang a également souligné des recherches similaires en cours par d'autres groupes, notamment DiscoGAN de l'Université de Wuhan, l'utilisation par DKFZ de réseaux de neurones artificiels pour le calcul de la dose de protons et algorithme de calcul de dose à la milliseconde basé sur l'apprentissage en profondeur développé à l'Université de technologie de Delft.

Rassurer les utilisateurs

Alors que l'apprentissage en profondeur peut sembler la voie à suivre évidente pour le calcul de la dose de protons, Jiang a noté que les gens se sentent toujours plus à l'aise avec l'utilisation de modèles basés sur la physique tels que les algorithmes de faisceau crayon et les simulations MC. "Lorsque l'idée de l'apprentissage en profondeur pour le calcul des doses est apparue, les gens avaient des inquiétudes", a-t-il expliqué. « Parce qu'il est basé sur les données et non sur la physique, vous ne savez pas quand il va échouer ; il pourrait y avoir des pannes catastrophiques imprévisibles. Et parce que c'est une boîte noire, il n'y a pas de transparence.

La réponse peut résider dans des modèles hybrides, tels que les exemples décrits ci-dessus qui utilisent des données de tracé de faisceau ou de rayon comme entrées d'un modèle d'apprentissage en profondeur. Ici, la physique (paramètres de la machine) est encodée dans les données d'entrée, qui ont déjà une précision de 80 à 90 %. L'apprentissage en profondeur peut alors traiter des effets tels que la dispersion et l'inhomogénéité pour obtenir les 20 % de précision restants, ce qui est très difficile à obtenir avec des algorithmes analytiques. Cela devrait fournir à la fois la précision et l'efficacité souhaitées.

"Je pense en fait que c'est une bonne idée car cela peut également éliminer les pannes imprévisibles et catastrophiques", a conclu Jiang. « Je me sentirais beaucoup plus à l'aise avec les résultats. Vous auriez également un certain degré de transparence, car vous savez que l'effet primaire de premier ordre qui existe est basé sur la physique, et c'est exact.

Le poste L'apprentissage en profondeur permet des calculs de dose de protons rapides et précis apparaît en premier sur Monde de la physique.

• Coinsmart. Le meilleur échange Bitcoin et Crypto d'Europe.
• Platoblockchain. Intelligence métaverse Web3. Connaissance amplifiée. ACCÈS LIBRE.
• CryptoHawk. Radar Altcoins. Essai gratuit.
• Source : https://physicsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/