Az intelligens megoldások leegyszerűsítik a sugárterápiás kezelés tervezését – Physics World

<a href="https://platoblockchain.com/wp-content/uploads/2024/03/intelligent-solutions-streamline-radiotherapy-treatment-planning-physics-world-3.png" data-fancybox data-src="https://platoblockchain.com/wp-content/uploads/2024/03/intelligent-solutions-streamline-radiotherapy-treatment-planning-physics-world-3.png" data-caption="Tervezésénél fogva intelligens Az Egyesült Királyságbeli Castle Hill Kórház CT-szimulátorai mélytanulási szoftverrel vannak felszerelve, amely automatikusan behatárolja a veszélyeztetett szerveket. (Jóvolt: Siemens Healthineers)”>

Az intelligens szoftvermegoldások kulcsfontosságú eszközzé váltak a szétfeszített klinikai csapatok számára, hogy a lehető legjobb ellátást nyújtsák a rákos betegeknek, különösen azoknak, akik összetettebb, magasabb sugárdózisú kezelést igényelnek. A beépített mesterséges intelligenciával rendelkező szoftverrendszerek automatizálhatják az ismétlődő feladatokat, javíthatják a CT-szimulátorokból kinyerhető információkat, és egyre több esetben biztosítják az ellátás egységességét.

A Cottinghamben (Egyesült Királyság) található Castle Hill Kórházban, amely havonta több száz beteget kezel hat lineáris gyorsítójával, intelligens szoftvert alkalmaztak a teljes kezelési tervezési folyamatban. „Minden rendelkezésünkre álló eszközt igyekszünk kihasználni, legyen szó egyszerű döntési fáról vagy kereskedelmi szoftverről, amely megkönnyíti és hatékonyabbá teszi a munkánkat” – mondja Carl Horsfield, a Hull University Teaching Hospitals NHS Trust vezető fizikusa. „Sok kezelőközponthoz hasonlóan nálunk is kevés a személyzet a nemzeti modellekhez képest, és szoftvereket használunk a magas színvonalú ellátás biztosítására.”

Rögtön a folyamat elején automatizált szoftver a CT-szimulátorokon – a SOMATOM go.Open Pro a Siemens Healthineers-től – fenntartja a képek érzékenységét azáltal, hogy a sugárdózist a páciens méretéhez igazítja. A szkennerek a Direct i4D nevű intelligens algoritmussal is fel vannak szerelve, amely javítja a tüdőrákos betegek légzési mozgásának rögzítésére használt időfelbontású képek minőségét. Általában ezek a 4D CT-vizsgálatok csak akkor adnak pontos képet, ha rendszeres lélegzetet vesznek a felvételi idő alatt, jellemzően körülbelül két percig, de ez ritkán fordul elő tüdőbetegségben szenvedő betegeknél.

"A tüdőbetegek gyakran összetettek és problémásak a CT-ben, és sok időt töltöttem a szkennelésekkel annak felmérésére, hogy a 4D tüdőbetegek képei klinikailag megfelelőek-e" - mondja Horsfield. "Ezzel az intelligens algoritmussal a szkennelési paraméterek valós időben alkalmazkodnak a páciens légzéséhez, így a radiográfusok sokkal magabiztosabbak a felvételben, ha a légzési mintázat szabálytalan."

Még jelentősebb időmegtakarítás érhető el, ha a CT-be ágyazott, mesterséges intelligenciával működő megoldást, a DirectORGANS-t használjuk, amely egyesíti a képadatokat egy mélytanulási algoritmussal, hogy automatikusan kontúrozza a páciens kritikus szerveit. Ilyen automatikus kontúrokat generálnak minden radikális beteg számára, akit a Várhegyen kezelnek, így nincs szükség arra, hogy egy klinikus minden szerkezetet kézzel rajzoljon meg. A zsúfolt kezelési helyeken, mint például a fej és a nyak, ez egy órával vagy többel csökkentheti az időt. „A klinikusaink számára a legfontosabb, hogy időt takarítsunk meg, és az autokontúrozás fantasztikus módja annak, hogy ne ismételjék meg az egyszerű feladatokat több betegnél” – mondja Horsfield.

Fontos, hogy az automatikus kontúrok pontossága – és ezáltal a megtakarítható idő – a bemeneti adatok minőségétől függ. A DirectORGANS kulcsfontosságú előnyt kínál itt, mivel a CT-vizsgálatból egy egyedi adatkészletet rögzít, amelyet úgy optimalizáltak, hogy a legjobb eredményeket hozza létre a mélytanulási algoritmusból. „Sok autokontúrozó eszközt a felhő tárol, ami azt jelenti, hogy csak a klinikai csapat igényeinek megfelelően konfigurált szkenneléshez férnek hozzá” – magyarázza Horsfield. „Az egyik oka annak, hogy szeretjük a DirectORGANS-t, hogy saját rekonstrukciót készít, és úgy állítja be a paramétereket a beszerző szkenneren, hogy azok megfeleljenek a szervek elkészítésének módjának.”

A szoftver pontos kontúrokat generál számos általánosan veszélyeztetett szerv számára, beleértve a tüdőt, a prosztatát, a hólyagot és a gerinccsatornát. Miután létrehozták, a Várhegyen a páciens klinikusa mindig áttekinti a struktúrákat, szükség szerint szerkeszti azokat, és manuálisan körvonalazza a daganatot. Lényeges, hogy a klinikusnak jóvá kell hagynia a kontúrok végső készletét is, mielőtt azokat a kezelés megtervezéséhez felhasználná. „A klinikusnak továbbra is meg kell győződnie arról, hogy az algoritmusok által létrehozott kontúrok megfelelnek a célnak” – mondja Horsfield. „Arra is ösztönözzük őket, hogy adjanak visszajelzést a szervek minőségéről, ami némi belső minőségbiztosítást biztosít számunkra.”

Míg a szoftver kezdeti verziója 30 vagy 40 előre betöltött szerkezetet tartalmazott, a legújabb kiadás tovább javította a lefedettséget és a pontosságot. Az egyik kulcsfontosságú előrelépés például a nyirokcsomó-láncok automatikus kontúrozásának képessége, ami általában manuális és gondos feladat. „Azoknál a prosztata betegeknél, akiknél fennáll a csomóponti beszűrődés veszélye, a klinikusoknak végig kell dolgozniuk a prosztatától a keresztcsonton keresztül a helyi nyirokcsomólánc végéig” – magyarázza Horsfield. „Az ilyen típusú struktúrák automatizált kontúrozása jelentős megtakarítást jelent számukra, még akkor is, ha némi szerkesztésre van szükség.”

<a data-fancybox data-src="https://platoblockchain.com/wp-content/uploads/2024/03/intelligent-solutions-streamline-radiotherapy-treatment-planning-physics-world-1.png" data-caption="Tudásalapú tervezés RapidPlan exploits model data from previous cases to generate a personalized treatment plan for each new patient. (Courtesy: Siemens Healthineers)” title=”Click to open image in popup” href=”https://platoblockchain.com/wp-content/uploads/2024/03/intelligent-solutions-streamline-radiotherapy-treatment-planning-physics-world-1.png”>

Eközben számos automatizált eszközt is beépítenek a csapat kezeléstervezési rendszerébe, a Varian's Eclipse-be. Az egyik különösen hasznosnak bizonyult a Várhegy csapata számára RapidPlan, tudásalapú megoldás, amely egy korábbi esetekből készített modell segítségével személyre szabott kezelési tervet készít egy új páciens számára. „Ez egy olyan eszköz, amely segít meghatározni, mi érhető el az egyes betegeknél, különösen olyan bonyolult esetekben, amikor a veszélyeztetett szervek elhelyezkedése veszélyeztetheti a célpont lefedettségét” – mondja Horsfield. "Kezelési terveinkhez kiindulópontként osztálymegoldásokat kínálunk, de ez ennél okosabb, mert minden egyes páciens anatómiájára jellemző."

Ez a tudásalapú megközelítés különösen előnyösnek bizonyult az új munkatársak számára, és javította az egész csapatban elkészített tervek következetességét és minőségét. „Valaki, aki hat hónapja velünk van, nem biztos, hogy olyan tervet készít, mint egy tapasztaltabb csapattagunk” – mondja Horsfield. "Ha tudásukat ezekkel az intelligens eszközökkel bővítik, hozzáférhetnek ehhez a tapasztalathoz, és szabványosítják az általunk készített tervek minőségét."

<a data-fancybox data-src="https://platoblockchain.com/wp-content/uploads/2024/03/intelligent-solutions-streamline-radiotherapy-treatment-planning-physics-world-2.png" data-caption="Szoftver, mint megoldás Carl Horsfield (centre) and the team at Castle Hill have deployed a series of intelligent tools to streamline the treatment planning process. (Courtesy: Siemens Healthineers)” title=”Click to open image in popup” href=”https://platoblockchain.com/wp-content/uploads/2024/03/intelligent-solutions-streamline-radiotherapy-treatment-planning-physics-world-2.png”>

Mint minden gépi tanulási megközelítésnél, az előrejelzések minősége a modell létrehozásához használt betanítási adatoktól függ. A Castle Hillnél a csapat saját eseteit használta négy kezelési hely – a tüdő, a fej-nyak, a nyelőcső és a prosztata – modelljeinek kidolgozására, és több más esetet is fejlesztenek, hogy további időmegtakarítást érjenek el a tervezőcsapat számára. „A kezelés tervezésének egyik nagy nehézsége az, hogy tudjuk, mikor kell abbahagyni” – mondja Horsfield. "A RapidPlan biztosítékot ad arról, hogy optimális megoldást talált az adott páciens számára, és kevesebb haszna van, ha több időt tölt a választások megkérdőjelezésével."

Az Eclipse kezeléstervező rendszer interfészt is biztosít az egyedi eszközök tervezési folyamathoz való hozzáadásához. A várhegyi csapat például egy automatizált eszközt készített az optimalizálási struktúrák létrehozására, amelyek korlátozzák a kezelési tervezési rendszer által előállított megoldásokat azáltal, hogy meghatározott területeket határoznak meg, amelyeket nem célszerű sugározni. „Körülbelül 15 különböző protokollt készítettünk, hogy létrehozzuk ezeket az elkerülő és optimalizáló struktúrákat” – mondja Horsfield. „Mindegyik egyszerű művelet, de rájöttünk, hogy szinte minden kezelési tervnél manuálisan hajtják végre. Valóban felhatalmazott, hogy saját eszközeinket hoztuk létre folyamataink hatékonyabbá tételéhez.”

Az ilyen hatékonysági megtakarítások különösen kritikusak akkor, amikor az olyan kezelési központok, mint a Castle Hill a COVID-19 világjárvány következményeivel küzdenek. A hatalmas betegáradat és az egészségügyi szakemberek hiánya miatt a kezeléstervezési folyamat legalább egy részét automatizálni képes intelligens eszközök segítik a folyamatos erőfeszítéseket a lemaradás leküzdésében. „A COVID előtti kapacitásunk az volt, hogy heti 40 tervet készítsünk, most pedig az egész csapat nagy erőfeszítéseket tesz annak érdekében, hogy ezt 50-re növeljük” – mondja Horsfield. „Minden hatékonyság, amit a folyamataink automatizálásával elérhetünk, segít abban, hogy előrelépést tegyünk a felépülési tervünkhöz képest, ugyanakkor biztosítja, hogy továbbra is kiváló minőségű terveket készítsünk minden kezelt beteg számára.”

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://physicsworld.com/a/intelligent-solutions-streamline-radiotherapy-treatment-planning/