Intelligente løsninger effektiviserer planlegging av strålebehandling – Physics World

Intelligente løsninger effektiviserer planlegging av strålebehandling – Physics World

Tidsstempel: 5. mars 2024 10:51

Å introdusere automatiserte verktøy i behandlingsplanleggingsprosessen har gjort det mulig for det kliniske teamet ved Storbritannias Castle Hill Hospital å forbedre konsistensen samtidig som de oppnår betydelige tidsbesparelser

<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="Intelligent av design CT-simulatorene ved Castle Hill Hospital i Storbritannia er utstyrt med dyplæringsprogramvare som automatisk avgrenser organene som er i fare. (Med tillatelse: Siemens Healthineers)”>
Castle Hill autokonturering
Intelligent av design CT-simulatorene ved Castle Hill Hospital i Storbritannia er utstyrt med dyplæringsprogramvare som automatisk avgrenser organene som er i fare. (Med tillatelse: Siemens Healthineers)

Intelligente programvareløsninger har blitt et avgjørende verktøy for utstrakte kliniske team for å gi best mulig omsorg til kreftpasienter, spesielt de som krever mer komplekse behandlinger med høyere stråledoser. Programvaresystemer med innebygd kunstig intelligens kan automatisere repeterende oppgaver, forbedre informasjonen som kan trekkes ut fra CT-simulatorer, og sikre konsistens i behandlingen i et økende antall tilfeller.

Ved Castle Hill Hospital i Cottingham, Storbritannia, som behandler flere hundre pasienter hver måned med sine seks lineære akseleratorer, har intelligent programvare blitt distribuert over hele behandlingsplanleggingsprosessen. "Vi prøver å bruke alle verktøyene vi har til rådighet, enten det er enkle beslutningstrær eller kommersiell programvare som gjør arbeidet vårt enklere og mer effektivt," sier Carl Horsfield, hovedfysiker ved Hull University Teaching Hospitals NHS Trust. "Som mange behandlingssentre mangler vi ansatte sammenlignet med nasjonale modeller, og vi bruker programvare for å hjelpe oss med å levere behandling av høy kvalitet."

Helt i starten av prosessen, automatisert programvare på CT-simulatorene – den SOMATOM go.Open Pro fra Siemens Healthineers – opprettholder følsomheten til bildene ved å modulere stråledosen for å matche pasientens størrelse. Skannerne er også utstyrt med en smart algoritme, kalt Direct i4D, som forbedrer kvaliteten på tidsoppløste bilder som brukes til å fange opp pustebevegelsen til pasienter med lungekreft. Normalt produserer disse 4D CT-skanningene bare nøyaktige bilder når vanlige pust tas i løpet av innsamlingstiden, vanligvis rundt to minutter, men det er sjelden tilfellet for pasienter med lungesykdommer.

"Lungepasienter er ofte komplekse og problematiske ved CT, og jeg har brukt mye tid på å delta på skanninger for å vurdere om bildene for 4D-lungepasienter er klinisk egnet," sier Horsfield. "Med denne smarte algoritmen tilpasser skanneparametrene seg til pasientens pust i sanntid, noe som gjør radiografene mye mer trygge på innhentingen når pustemønsteret er uregelmessig."

Enda mer betydelige tidsbesparelser kan oppnås ved å bruke en AI-drevet løsning innebygd i CT-skanneren, kalt DirectORGANS, som kombinerer bildedataene med en dyp-læringsalgoritme for automatisk å konturere pasientens kritiske organer. Slike automatiske konturer genereres for hver radikal pasient som behandles på Castle Hill, og unngår behovet for en kliniker til å tegne hver struktur for hånd. På overbelastede behandlingssteder, som hode-og-hals, kan det redusere tiden det tar med en time eller mer. "Å spare tid for våre klinikere er avgjørende, og autokonturering er en fantastisk måte å sikre at de ikke gjentar enkle oppgaver for flere pasienter," kommenterer Horsfield.

Det er viktig at nøyaktigheten til de automatiske konturene – og dermed hvor mye tid som kan spares – avhenger av kvaliteten på inndataene. DirectORGANS tilbyr en viktig fordel her, siden den fanger et skreddersydd datasett fra CT-skanningen som er optimert for å generere de beste resultatene fra dyplæringsalgoritmen. "Mange autokonturverktøy er vert i skyen, noe som betyr at de kun har tilgang til skanningen som er konfigurert for behovene til det kliniske teamet," forklarer Horsfield. "En av grunnene til at vi liker DirectORGANS er at den lager sin egen rekonstruksjon, og setter parametrene på den innhentende skanneren for å matche måten organene skal lages på."

Programvaren genererer nøyaktige konturer for mange vanlige organer som er i fare, inkludert lunge, prostata, blære og ryggmargskanal. Når den er opprettet, gjennomgår pasientens kliniker ved Castle Hill alltid strukturene, redigerer dem etter behov og avgrenser svulsten manuelt. Det er avgjørende at klinikeren også må godkjenne det endelige settet med konturer før de brukes til behandlingsplanlegging. "En kliniker må fortsatt sørge for at konturene som produseres av algoritmene passer til formålet," sier Horsfield. "Vi ber dem også gi tilbakemelding om kvaliteten på organene, noe som gir oss en viss intern kvalitetssikring."

Mens den første versjonen av programvaren inkluderte 30 eller 40 forhåndsinstallerte strukturer, har den siste utgivelsen forbedret dekningen og nøyaktigheten ytterligere. Et viktig fremskritt, for eksempel, er muligheten til automatisk å konturere lymfeknutekjedene, vanligvis en manuell og møysommelig oppgave. "For prostatapasienter der det er risiko for nodal infiltrasjon, må klinikerne jobbe seg hele veien fra prostata over korsbenet til enden av den lokale lymfeknutekjeden," forklarer Horsfield. "Å ha automatisert konturering for slike strukturer vil være en enorm besparelse for dem, selv når det er nødvendig med redigering."

<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="Kunnskapsbasert planlegging RapidPlan utnytter modelldata fra tidligere tilfeller for å generere en personlig behandlingsplan for hver ny pasient. (Courtesy: Siemens Healthineers)” title=”Klikk for å åpne bildet i popup” href=”https://platoblockchain.com/wp-content/uploads/2024/03/intelligent-solutions-streamline-radiotherapy-treatment-planning- physics-world-1.png">RapidPlan
Kunnskapsbasert planlegging RapidPlan utnytter modelldata fra tidligere tilfeller for å generere en personlig behandlingsplan for hver ny pasient. (Med tillatelse: Siemens Healthineers)

I mellomtiden er en rekke automatiserte verktøy også innebygd i teamets behandlingsplanleggingssystem, Varians Eclipse. En som har vist seg spesielt nyttig for Castle Hill-teamet er RapidPlan, en kunnskapsbasert løsning som bruker en modell laget fra tidligere tilfeller for å generere en personlig behandlingsplan for en ny pasient. "Det er et verktøy som hjelper oss å finne ut hva som er oppnåelig for hver pasient, spesielt for mer kompliserte tilfeller der plasseringen av organene som er i fare kan kompromittere dekningen av målet," sier Horsfield. "Vi har klasseløsninger for våre behandlingsplaner som utgangspunkt, men det er smartere enn det fordi det er spesifikt for anatomien til hver pasient."

Denne kunnskapsbaserte tilnærmingen har vist seg spesielt gunstig for nye ansatte, og har også forbedret konsistensen og kvaliteten på planene som er produsert på tvers av hele teamet. «Noen som har vært hos oss i seks måneder, lager kanskje ikke en plan av samme standard som en av våre mer erfarne teammedlemmer,» sier Horsfield. "Å utvide kunnskapen deres med disse intelligente verktøyene gir dem tilgang til den opplevelsen og standardiserer kvaliteten på planene vi produserer."

<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="Programvare som løsning Carl Horsfield (i midten) og teamet på Castle Hill har tatt i bruk en rekke intelligente verktøy for å strømlinjeforme behandlingsplanleggingsprosessen. (Courtesy: Siemens Healthineers)” title=”Klikk for å åpne bildet i popup” href=”https://platoblockchain.com/wp-content/uploads/2024/03/intelligent-solutions-streamline-radiotherapy-treatment-planning- physics-world-2.png">Carl Horsfield og team
Programvare som løsning Carl Horsfield (i midten) og teamet på Castle Hill har tatt i bruk en rekke intelligente verktøy for å strømlinjeforme behandlingsplanleggingsprosessen. (Med tillatelse: Siemens Healthineers)

Som med enhver maskinlæringstilnærming, avhenger kvaliteten på spådommene av treningsdataene som brukes til å lage modellen. På Castle Hill har teamet brukt sine egne tilfeller til å utvikle modeller for fire behandlingssteder – lunge, hode-hals, spiserør og prostata – med flere andre som nå utvikles for å realisere ytterligere tidsbesparelser for planleggingsteamet. "En av de store vanskelighetene med behandlingsplanlegging er å vite når man skal stoppe," sier Horsfield. "RapidPlan gir tryggheten om at du har funnet en optimal løsning for den pasienten, og at det er mindre fordel å bruke ekstra tid på å stille spørsmål ved valgene dine."

Eclipse-behandlingsplanleggingssystemet gir også et grensesnitt for å legge til skreddersydde verktøy til planleggingsprosessen. Som et eksempel har teamet på Castle Hill laget et automatisert verktøy for å lage optimaliseringsstrukturer, som begrenser løsningene produsert av behandlingsplanleggingssystemet ved å definere bestemte områder som ikke bør målrettes med stråling. "Vi har laget rundt 15 forskjellige protokoller for å lage disse unngåelses- og optimaliseringsstrukturene," sier Horsfield. "De er alle enkle operasjoner, men vi innså at de ble utført manuelt for nesten alle behandlingsplaner. Det har vært virkelig styrkende å kunne lage våre egne verktøy for å gjøre prosessene våre mer effektive."

Slike effektivitetsbesparelser er spesielt kritiske i en tid da behandlingssentre som Castle Hill håndterer nedfallet fra COVID-19-pandemien. Med en enorm tilstrømning av pasienter og mangel på helsepersonell, hjelper intelligente verktøy som kan automatisere i det minste noe av behandlingsplanleggingsprosessen det pågående arbeidet med å jobbe gjennom etterslepet. "Kapasiteten vår før COVID var å produsere 40 planer per uke, og nå gjør hele teamet et stort press for å øke det til 50," sier Horsfield. "Hver effektivitet vi kan oppnå ved å automatisere prosessene våre, hjelper oss med å komme oss videre mot gjenopprettingsplanen vår, samtidig som vi sikrer at vi fortsetter å produsere planer av høy kvalitet for hver pasient vi behandler."

Tidstempel:

Mer fra Fysikkens verden