Il prossimoProssima guida
Analisi del suolo e raccomandazioni sui fertilizzanti tramite IA
Industrie
GUIDA alle industrie
L’intelligenza artificiale nella pianificazione della radioterapia utilizza il deep learning per delineare i tumori e gli organi vicini sulle scansioni TC o MRI (auto-contouring) e per prevedere o generare piani di dose, che possono ridurre ore di lavoro manuale a pochi minuti.
Ascolta questa guidaNarrato dall'IA · ~3 min
È importante perché una pianificazione più rapida e coerente può ridurre l’attesa prima del trattamento e rendere pratica la radioterapia adattiva. Gli oncologi e i fisici medici delle radiazioni continuano a rivedere, modificare e approvare ogni contorno e piano.
La radioterapia cerca di somministrare una dose elevata al cancro risparmiando i tessuti sani. La pianificazione inizia con il contouring: delineando il tumore visibile (volume tumorale lordo, GTV), aree di probabile diffusione microscopica (volume target clinico, CTV), un margine per l'impostazione e il movimento (volume target di pianificazione, PTV) e gli organi a rischio (OAR) come cuore, polmoni, midollo spinale o retto. Il modellamento manuale può richiedere ore per siti complessi come testa e collo e diversi medici disegnano contorni notevolmente diversi. Il contouring automatico è stato inizialmente eseguito con metodi basati sull'atlante, che deformano i contorni dei pazienti di riferimento su una nuova scansione. I modelli di deep learning, spesso reti in stile U-Net, ora generalmente funzionano meglio e sono integrati in sistemi commerciali di fornitori come Varian, Elekta, RaySearch, Siemens Healthineers e Mirada. Il progetto di ricerca InnerEye di Microsoft, sviluppato con l'ospedale Addenbrooke di Cambridge, ha rilasciato strumenti open source in quest'area. Il contouring OAR è l'uso più maturo. Il modellamento del target è più difficile perché dipende dal giudizio clinico, dalla patologia e dall'imaging oltre la scansione. La pianificazione della dose utilizza l’intelligenza artificiale in due modi principali. La pianificazione basata sulla conoscenza, come RapidPlan di Varian, apprende dai piani precedentemente approvati per prevedere gli istogrammi dose-volume ottenibili per un nuovo paziente. La previsione della dose con deep learning e la pianificazione automatizzata vanno oltre stimando la distribuzione della dose 3D e guidando l'ottimizzatore. La radioterapia adattativa dipende da questa velocità. Sistemi come Varian Ethos e MR-linac come Elekta Unity ripropongono l'immagine del paziente durante il trattamento e adattano il piano. Un malinteso comune è che l’IA pianifichi il trattamento da sola. I medici approvano i contorni e le prescrizioni, mentre i fisici medici controllano i piani ed eseguono il controllo della qualità prima della consegna.
Una clinica specializzata in tumori della testa e del collo utilizza l'auto-contouring per disegnare più di 20 organi a rischio, come le ghiandole parotidi e il midollo spinale, e il dosimetrista modifica alcune sezioni invece di disegnarle tutte a mano.
Un centro per il cancro alla prostata utilizza una pianificazione basata sulla conoscenza che prevede i limiti di dose ottenibili per la vescica e il retto in base ai piani approvati in passato, offrendo ai pianificatori un obiettivo iniziale realistico.
Un sistema di terapia adattiva rimodella gli organi sulla scansione di immagini del giorno prima di ogni sessione e il team di assistenza esamina e approva il piano aggiornato mentre il paziente attende sul lettino.
Un team di fisici confronta un nuovo strumento di auto-contouring con i contorni dei medici locali su una serie di test di pazienti passati prima di utilizzarlo clinicamente, notando dove fatica, ad esempio dopo l'intervento chirurgico.
L’autocontornatura per gli organi a rischio è già una routine in molti centri, ed è probabile un uso più ampio della pianificazione automatizzata e della terapia adattativa online man mano che le prove e il software maturano. I problemi più difficili includono il contornamento affidabile del bersaglio, la gestione di anatomie insolite e la creazione di controlli automatici che segnalano quando un contorno o un piano appare diverso da qualsiasi cosa su cui il modello è stato addestrato. Professional bodies are developing guidance for commissioning and ongoing quality assurance of AI tools. La direzione realistica è una pianificazione più rapida e un adattamento più frequente del piano, con medici e fisici che trascorrono il loro tempo a rivedere, individuare errori e gestire casi complessi.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
L’intelligenza artificiale nella pianificazione della radioterapia utilizza il deep learning per delineare i tumori e gli organi vicini sulle scansioni TC o MRI (auto-contouring) e per prevedere o generare piani di dose, che possono ridurre ore di lavoro manuale a pochi minuti. È importante perché una pianificazione più rapida e coerente può ridurre l’attesa prima del trattamento e rendere pratica la radioterapia adattiva. Gli oncologi e i fisici medici delle radiazioni continuano a rivedere, modificare e approvare ogni contorno e piano.
Il contouring automatico disegna i contorni dei bersagli e degli organi vicini, risparmiando ore di contouring manuale.
Gli organi a rischio hanno un'anatomia coerente e visibile. Targets depend more on clinical judgment and information beyond the scan.
Il PTV aggiunge un margine in modo che il bersaglio riceva comunque la sua dose nonostante piccole differenze di impostazione e movimento.
La pianificazione basata sulla conoscenza utilizza buoni piani precedenti per stabilire obiettivi di dose realistici per un nuovo paziente.
I dadi misurano la sovrapposizione complessiva. Clinical acceptability and editing time depend on where errors are, which is why surface metrics and expert review matter.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Analisi del suolo e raccomandazioni sui fertilizzanti tramite IA
Industrie