Nuevos conocimientos sobre la planificación automática del tratamiento para la radioterapia del cáncer utilizando...

Área de la Ciencia:

• Física médica
• La inteligencia artificial en la medicina
• Planificación de la radioterapia

Sus antecedentes:

• La planificación automática del tratamiento en radioterapia se basa en algoritmos complejos.
• Los agentes de inteligencia artificial (IA), como el Actor-Critic with Experience Replay (ACER), se utilizan para optimizar los parámetros de planificación del tratamiento (TPP).
• Comprender el proceso de toma de decisiones de estos agentes de IA es crucial para su adopción clínica.

Objetivo del estudio:

• Investigar el proceso de toma de decisiones de un agente de IA utilizado para la planificación automática del tratamiento en la radioterapia del cáncer de próstata.
• Analizar cómo los agentes de IA utilizan las entradas del histograma dosis-volumen (DVH) para ajustar los parámetros de planificación del tratamiento (TPP).
• Evaluar la eficacia, la eficiencia y la estabilidad de la planificación del tratamiento impulsada por la IA.

Principales métodos:

• Se examinó un agente de IA de la red ACER desarrollado previamente para la sintonización automática de TPP en radioterapia modulada por intensidad.
• Se aplicó un método explicable de IA (EXAI) para analizar la atribución de las entradas de DVH a las decisiones de ajuste de TPP.
• Evalúa la eficacia de la planificación, la eficiencia, el espacio de políticas y el espacio de ajuste de TPP de múltiples puntos de control de agentes de IA.

Principales resultados:

• Los agentes de la ACER aprendieron a identificar las violaciones de dosis a partir de las entradas de DVH y a mitigarlas mediante ajustes de TPP.
• La similitud orgánica entre las atribuciones de DVH y las reducciones por violación de dosis osciló entre 0,25 y 0,5.
• Los agentes con una mayor similitud de violación de atribución mostraron una mejor eficiencia de planificación, requiriendo menos pasos de afinación y exhibiendo espacios de afinación de TPP más concentrados.

Conclusiones:

• Los agentes ACER de alto rendimiento identifican eficazmente las infracciones de dosis y emplean estrategias de ajuste global para planes de tratamiento de alta calidad.
• Las estrategias de ajuste TPP aprendidas por el agente de IA se asemejan a las de los planificadores humanos experimentados.
• La mayor interpretabilidad de la toma de decisiones de la IA puede fomentar la confianza del clínico y avanzar en las estrategias de planificación automática del tratamiento.