A continuaciónSiguiente guía
Análisis de suelos por IA y recomendaciones de fertilizantes
Industrias
GUÍA de industrias
IA en la planificación de radioterapia
La IA en la planificación de la radioterapia utiliza el aprendizaje profundo para delinear tumores y órganos cercanos en tomografías computarizadas o resonancias magnéticas (contorno automático) y para predecir o generar planes de dosis, lo que puede reducir las horas de trabajo manual a minutos.
Escuche esta guíaNarrado por IA · ~3 min
En esta pagina3 minutos de lectura
Descripción general
Es importante porque una planificación más rápida y consistente puede acortar la espera antes del tratamiento y hace que la radioterapia adaptativa sea práctica. Los oncólogos radioterapeutas y los físicos médicos todavía revisan, editan y aprueban cada contorno y plano.
Buceo profundo
La radioterapia intenta administrar una dosis alta al cáncer sin afectar el tejido sano. La planificación comienza con el contorno: delinear el tumor visible (volumen macroscópico del tumor, GTV), áreas de probable diseminación microscópica (volumen objetivo clínico, CTV), un margen para la instalación y el movimiento (volumen objetivo de planificación, PTV) y los órganos en riesgo (OAR), como el corazón, los pulmones, la médula espinal o el recto. El contorneado manual puede llevar horas en zonas complejas como la cabeza y el cuello, y diferentes médicos dibujan contornos notablemente diferentes. El autocontorno se realizó por primera vez con métodos basados en atlas, que deforman los contornos de los pacientes de referencia en una nueva exploración. Los modelos de aprendizaje profundo, a menudo redes estilo U-Net, ahora generalmente funcionan mejor y están integrados en sistemas comerciales de proveedores como Varian, Elekta, RaySearch, Siemens Healthineers y Mirada. El proyecto de investigación InnerEye de Microsoft, desarrollado con el Hospital Addenbrooke de Cambridge, lanzó herramientas de código abierto en esta área. El contorno OAR es el uso más maduro. El contorno del objetivo es más difícil porque depende del criterio clínico, la patología y las imágenes más allá de la exploración. La planificación de dosis utiliza la IA de dos formas principales. La planificación basada en conocimientos, como RapidPlan de Varian, aprende de planes aprobados anteriormente para predecir histogramas de dosis-volumen alcanzables para un nuevo paciente. La predicción de dosis de aprendizaje profundo y la planificación automatizada van más allá al estimar la distribución de dosis 3D y accionar el optimizador. La radioterapia adaptativa depende de esta velocidad. Sistemas como Varian Ethos y MR-linacs como Elekta Unity vuelven a crear imágenes del paciente durante el tratamiento y adaptan el plan. Un error común es creer que la IA planifica el tratamiento por sí sola. Los médicos aprueban contornos y recetas, y los físicos médicos verifican los planes y realizan controles de calidad antes de la entrega.
Implementación en el mundo real
Una clínica de cáncer de cabeza y cuello utiliza el autocontorno para dibujar más de 20 órganos en riesgo, como las glándulas parótidas y la médula espinal, y el dosimetrista edita algunos cortes en lugar de dibujarlos todos a mano.
Un centro de cáncer de próstata utiliza una planificación basada en conocimientos que predice límites de dosis alcanzables para la vejiga y el recto a partir de planes aprobados anteriormente, lo que brinda a los planificadores un objetivo inicial realista.
Un sistema de terapia adaptativa recontornea los órganos en la exploración por imágenes del día antes de cada sesión, y el equipo de atención revisa y aprueba el plan actualizado mientras el paciente espera en la mesa.
Un equipo de físicos compara una nueva herramienta de contorno automático con los contornos de los médicos locales en un conjunto de prueba de pacientes anteriores antes de usarla clínicamente, observando dónde tiene problemas, como después de la cirugía.
El futuro de la IA en la planificación de la radioterapia
El contorno automático de órganos en riesgo ya es una rutina en muchos centros, y es probable que se utilice más ampliamente la planificación automatizada y la terapia adaptativa en línea a medida que la evidencia y el software maduren. Los problemas más difíciles incluyen el contorno confiable del objetivo, el manejo de anatomía inusual y la creación de controles automáticos que señalan cuando un contorno o plano no se parece a nada en lo que se entrenó el modelo. Los organismos profesionales están desarrollando directrices para la puesta en servicio y el control de calidad continuo de las herramientas de IA. La dirección realista es una planificación más rápida y una adaptación más frecuente del plan, en la que los médicos y físicos dediquen su tiempo a revisar, detectar errores y manejar casos complejos.
Poniéndolo en práctica
Por qué es importante
- Contexto y normas. El contexto de la industria determina si las ideas de IA sobreviven al contacto con la realidad.
- control de calidad. Las restricciones de dominio influyen en las tasas de error aceptables y en los modelos de supervisión.
- Construir opciones. Las implementaciones exitosas alinean la capacidad técnica con los flujos de trabajo de primera línea.
cuidado con
- Los requisitos reglamentarios pueden invalidar prototipos que de otro modo serían sólidos.
- Los datos históricos pueden codificar sesgos que perjudican a comunidades específicas.
- Los sistemas heredados pueden crear cuellos de botella en la integración y costos ocultos.
Próximos pasos
- Involucrar a expertos en el campo desde la formulación del problema hasta la evaluación.
- Diseñar pistas de auditoría y documentación antes del lanzamiento.
- Valide anticipadamente las obligaciones de cumplimiento y seguridad.
- Implementación en fases con criterios claros de parada y reversión.
Sigue explorando
Boletín gratuito
Recibe el resumen diario de IA
Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.
Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.
Ponte a prueba
Take the AI in Radiation Therapy Planning quiz
Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.
Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación
Preguntas frecuentes
¿Qué es la IA en la planificación de la radioterapia?
La IA en la planificación de la radioterapia utiliza el aprendizaje profundo para delinear tumores y órganos cercanos en tomografías computarizadas o resonancias magnéticas (contorno automático) y para predecir o generar planes de dosis, lo que puede reducir las horas de trabajo manual a minutos. Es importante porque una planificación más rápida y consistente puede acortar la espera antes del tratamiento y hace que la radioterapia adaptativa sea práctica. Los oncólogos radioterapeutas y los físicos médicos todavía revisan, editan y aprueban cada contorno y plan.
¿Qué hace el autocontorno en la planificación de la radioterapia?
El contorno automático dibuja los contornos de los objetivos y los órganos cercanos, lo que ahorra horas de contorno manual.
¿Qué tarea de contorno está actualmente más madura para la IA?
Los órganos en riesgo tienen una anatomía consistente y visible. Los objetivos dependen más del juicio clínico y de información más allá del escaneo.
¿Qué aporta el volumen objetivo de planificación (PTV) al volumen objetivo clínico?
El PTV añade un margen para que el objetivo siga recibiendo su dosis a pesar de pequeñas diferencias de configuración y movimiento.
¿Cómo funciona la planificación basada en el conocimiento como RapidPlan?
La planificación basada en el conocimiento utiliza buenos planes previos para establecer objetivos de dosis realistas para un nuevo paciente.
¿Por qué una puntuación alta en Dice no es suficiente para demostrar que un contorno es clínicamente aceptable?
Dice measures overall overlap. Clinical acceptability and editing time depend on where errors are, which is why surface metrics and expert review matter.
sigue aprendiendo
Guías relacionadas
Más guías seleccionadas para este tema.