À suivreGuide suivant
L'IA dans l'urbanisme et les villes intelligentes
Secteurs
GUIDE Secteurs
L'IA dans la planification de la radiothérapie
L’IA dans la planification de la radiothérapie utilise l’apprentissage profond pour décrire les tumeurs et les organes voisins sur des tomodensitogrammes ou des IRM (auto-contouring) et pour prédire ou générer des plans de dose, ce qui peut réduire les heures de travail manuel à quelques minutes.
Sur cette page3 minutes de lecture
Aperçu
C’est important, car une planification plus rapide et plus cohérente peut réduire l’attente avant le traitement et rendre la radiothérapie adaptative pratique. Les radio-oncologues et les physiciens médicaux examinent, modifient et approuvent toujours chaque contour et plan.
Plongée profonde
La radiothérapie tente d'administrer une dose élevée au cancer tout en épargnant les tissus sains. La planification commence par le contour : définir la tumeur visible (volume brut de la tumeur, GTV), les zones de propagation microscopique probable (volume cible clinique, CTV), une marge pour la configuration et le mouvement (volume cible de planification, PTV) et les organes à risque (OAR) tels que le cœur, les poumons, la moelle épinière ou le rectum. Le contourage manuel peut prendre des heures pour des sites complexes comme la tête et le cou, et différents cliniciens dessinent des contours sensiblement différents. Le contourage automatique a d'abord été réalisé avec des méthodes basées sur un atlas, qui déforment les contours des patients de référence sur un nouveau scan. Les modèles d'apprentissage profond, souvent des réseaux de type U-Net, fonctionnent désormais généralement mieux et sont intégrés aux systèmes commerciaux de fournisseurs tels que Varian, Elekta, RaySearch, Siemens Healthineers et Mirada. Le projet de recherche InnerEye de Microsoft, développé avec l'hôpital Addenbrooke de Cambridge, a publié des outils open source dans ce domaine. Le contouring OAR est l’utilisation la plus mature. Le contour de la cible est plus difficile car il dépend du jugement clinique, de la pathologie et de l'imagerie au-delà de l'analyse. La planification des doses utilise l’IA de deux manières principales. La planification basée sur les connaissances, telle que RapidPlan de Varian, tire les leçons des plans précédemment approuvés pour prédire des histogrammes dose-volume réalisables pour un nouveau patient. La prédiction de dose par apprentissage profond et la planification automatisée vont plus loin en estimant la distribution de dose en 3D et en pilotant l'optimiseur. La radiothérapie adaptative dépend de cette vitesse. Des systèmes tels que Varian Ethos et des MR-linacs comme Elekta Unity réimaginent le patient pendant le traitement et adaptent le plan. Une idée fausse très répandue est que l’IA planifie elle-même le traitement. Les médecins approuvent les contours et les prescriptions, et les physiciens médicaux vérifient les plans et effectuent l'assurance qualité avant la livraison.
Impact stratégique
Contexte et règles
Le contexte industriel détermine si les idées d’IA survivent au contact avec la réalité.
Contrôle qualité
Les contraintes de domaine influencent les taux d'erreur acceptables et les modèles de surveillance.
Choix de construction
Les déploiements réussis alignent les capacités techniques sur les flux de travail de première ligne.
L'avenir de l'IA dans la planification de la radiothérapie
Le remodelage automatique des organes à risque est déjà une pratique courante dans de nombreux centres, et une utilisation plus large de la planification automatisée et de la thérapie adaptative en ligne est probable à mesure que les preuves et les logiciels évoluent. Les problèmes les plus difficiles incluent le contour de cible fiable, la gestion d'une anatomie inhabituelle et la création de contrôles automatiques qui signalent lorsqu'un contour ou un plan ne ressemble à rien de ce sur quoi le modèle a été formé. Les organismes professionnels élaborent des lignes directrices pour la mise en service et l’assurance qualité continue des outils d’IA. L’orientation réaliste est une planification plus rapide et une adaptation plus fréquente du plan, les médecins et les physiciens passant leur temps à réviser, à détecter les erreurs et à traiter les cas complexes.
Mise en œuvre dans le monde réel
Une clinique de cancer de la tête et du cou utilise l'auto-contournage pour dessiner plus de 20 organes à risque, tels que les glandes parotides et la moelle épinière, et le dosimétriste édite quelques coupes au lieu de toutes les dessiner à la main.
Un centre de lutte contre le cancer de la prostate utilise une planification basée sur les connaissances qui prédit les limites de dose réalisables pour la vessie et le rectum à partir de plans approuvés antérieurement, donnant ainsi aux planificateurs un objectif de départ réaliste.
Un système de thérapie adaptative redessine les organes lors de l'imagerie du jour avant chaque séance, et l'équipe soignante examine et approuve le plan mis à jour pendant que le patient attend sur la table.
Une équipe de physique compare un nouvel outil d'auto-contournage aux contours des cliniciens locaux sur un ensemble de tests d'anciens patients avant de l'utiliser en clinique, en notant les endroits où il rencontre des difficultés, comme après une intervention chirurgicale.
Risques et garde-fous
Les exigences réglementaires peuvent invalider des prototypes autrement solides.
Les données historiques peuvent coder des préjugés qui nuisent à des communautés spécifiques.
Les systèmes existants peuvent créer des goulots d'étranglement en matière d'intégration et des coûts cachés.
Feuille de route de mise en œuvre
Impliquez des experts du domaine, de la formulation du problème à l’évaluation.
Concevoir des pistes d'audit et de la documentation avant le lancement.
Validez tôt les obligations de conformité et de sécurité.
Déployez par phases avec des critères d’arrêt et de restauration clairs.
Continuez à explorer
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Radiation Therapy Planning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Questions fréquemment posées
Qu’est-ce que l’IA dans la planification de la radiothérapie ?
L’IA dans la planification de la radiothérapie utilise l’apprentissage profond pour décrire les tumeurs et les organes voisins sur des tomodensitogrammes ou des IRM (auto-contouring) et pour prédire ou générer des plans de dose, ce qui peut réduire les heures de travail manuel à quelques minutes. C’est important, car une planification plus rapide et plus cohérente peut réduire l’attente avant le traitement et rendre la radiothérapie adaptative pratique. Les radio-oncologues et les physiciens médicaux examinent, modifient et approuvent toujours chaque contour et plan.
Que fait l’auto-contouring dans la planification de la radiothérapie ?
Le contourage automatique dessine les contours des cibles et des organes proches, ce qui permet d'économiser des heures de contournage manuel.
Quelle tâche de contouring est actuellement la plus mature pour l’IA ?
Les organes à risque ont une anatomie cohérente et visible. Les cibles dépendent davantage du jugement clinique et des informations au-delà de l’analyse.
Qu’ajoute le volume cible de planification (PTV) au volume cible clinique ?
Le PTV ajoute une marge afin que la cible reçoive toujours sa dose malgré de petites différences de configuration et de mouvement.
Comment fonctionne la planification basée sur la connaissance telle que RapidPlan ?
La planification basée sur les connaissances utilise de bons plans antérieurs pour fixer des objectifs de dose réalistes pour un nouveau patient.
Pourquoi un score Dice élevé ne suffit-il pas à prouver qu’un contour est cliniquement acceptable ?
Les mesures des dés se chevauchent globalement. L'acceptabilité clinique et le temps d'édition dépendent de l'endroit où se trouvent les erreurs, c'est pourquoi les mesures de surface et l'examen par les experts sont importants.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet