Разработка и машинное обучение многокритериальной модели распределения дозы ионизирующего излучения в системе планирования лечения Eclipse

Выполнена автоматизация процесса подготовки к лучевой терапии путем разработки и машинного обучения многокритериальной модели распределения дозы ионизирующего излучения с помощью инструментария искусственного интеллекта, внедренного в модуль RapidPlan компьютерной системы планирования облучения Eclipse v16.1 (Varian Medical Systems). Для машинного обучения модели проведен ретроспективный анализ данных для 40 пациентов с патологиями грудного и поясничного отделов позвоночника. Для каждого пациента создан план распределения дозы излучения методом стереотаксической лучевой терапии с помощью инверсного метода моделирования с дозовым режимом фракционирования 6 Гр по пять фракций. Проведена оценка производительности созданной модели на тестовой выборке из 10 пациентов. Результаты верификации подтверждают пригодность модели для клинического применения в учреждениях здравоохранения онкологического профиля и перспективность ее использования для создания персонализированных планов лечения. Автоматизация процесса предлучевой подготовки позволила сократить временные затраты на компьютерное моделирование трехмерного распределения дозы ионизирующего излучения и повысить качество оказываемой специализированной медицинской помощи методом стереотаксической лучевой терапии.

1. The efficacy of external beam radiotherapy and stereotactic body radiotherapy for painful spinal metastases from renal cell carcinoma / G. K. Hunter, E. H. Balagamwala, S. A. Koyfman [et al.] // Practical Radiation Oncology. – 2012. – Vol. 2, № 4. – P. 95–100. https://doi.org/10.1016/j.prro.2012.01.005

2. Stereotactic body radiotherapy for metastatic spinal sarcoma: a detailed patterns-of-failure study / J. E. Leeman, M. Bilsky, I. Laufer [et al.] // Journal of Neurosurgery. – 2016. – Vol. 25, № 1. – P. 52–58. https://doi.org/10.3171/2015.11.SPINE151059

3. Reducing inter- and intra-planner variability in radiotherapy plan output with a commercial knowledge-based planning solution / A. Scaggion, M. Fusella, A. Roggio [et al.] // European Journal of Medical Physics. – 2018. – Vol. 53. – P. 86–93. https://doi.org/10.1016/j.ejmp.2018.08.016

4. Eclipse Photon and Electron Algorithms Reference Guide. – Varian Medical Systems, Inc., 2014. – Ch. 10: DVH Estimation Algorithm for RapidPlan. – P. 219–229. – URL: https://jpneylon.github.io/ABR/PDFs/Add_052418/ EclipseAlgorithms13.6_RefGuide.pdf (date of access: 01.02.2025).

5. Искусственный интеллект в медицинской физике: функции, обязанности, образование и подготовка медицинских физиков клинической квалификации / IAEA (Междунар. агентство по атом. энергии). – Вена, 2025. – 43 с. – URL: https://www-pub.iaea.org/MTCD/Publications/PDF/TCS-83_R_web.pdf (дата обращения: 01.02.2025).

6. Normal tissue constraints for SRS/SBRT. – URL: https://www.iba-dosimetry.com/fileadmin/user_upload/products/02_radiation_therapy/myqa_srs/iba_dose_contraints_poster_rev2_0522.pdf (date of access: 01.02.2025).

7. Machine learning and modeling: data, validation, communication challenges / I. El Naqa, D. Ruan, G. Valdes [et al.] // Medical Physics. – 2018. – Vol. 45, Iss. 10. – P. 834–840. https://doi.org/10.1002/mp.12811

8. Effect of Dosimetric Outliers on the Performance of a Commercial Knowledge-Based Planning Solution / A. R. Delaney, J. P. Tol, M. Dahele [et al.] // International Journal of Radiation Oncology Biology Physics. – 2016. – Vol. 94, Iss. 3. – P. 469–477. https://doi.org/10.1016/j.ijrobp.2015.11.011

9. Development and evaluation of a clinical model for lung cancer patients using stereotactic body radiotherapy (SBRT) within a knowledge-based algorithm for treatment planning / K. C. Snyder, J. Kim, A. Reding [et al.] // Journal of Applied Clinical Medical Physics. – 2016. – Vol. 17, Iss. 6. – P. 263–275. https://doi.org/10.1120/jacmp.v17i6.6429

10. An analysis of knowledge-based planning for stereotactic body radiation therapy of the spine / J. J. Foy, R. Marsh, R. K. Ten Haken [et al.] // Practical Radiation Oncology. – 2017. – Vol. 7, Iss. 5. – P. E355–E360. https://doi.org/10.1016/j.prro.2017.02.007

11. Can knowledgebased DVH predictions be used for automated, individualized quality assurance of radiotherapy treatment plans? / J. P. Tol, M. Dahele, A. R. Delaney [et al.] // Radiation Oncology. – 2015. – Vol. 10, № 1. – Art. ID 234. https://doi.org/10.1186/s13014-015-0542-1