Apport d'algorithmes de délination et de planification basés sur l'intelligence artificielle pour la radiothérapie du cancer de la prostate.

Le système de planification des traitements (TPS) Raysearch® possède deux algorithmes basés sur l'intelligence artificielle : l'un permettant la délinéation (apprentissage profond) et l'autre concernant la planification (apprentissage machine). Ces nouvelles méthodes permettent d'envisager une homogénéisation des pratiques et une réduction du temps de planification. À l'aide des modèles d'intelligence artificielle fournis par le constructeur, ces deux algorithmes ont été testés sur les cas de cancer de la prostate, traités sans irradiation pelvienne, à la dose de 78 Gy. Le but était d'évaluer les limites de ces modèles fournis par le constructeur pour nos pratiques locales. L'algorithme d'apprentissage profond disponible dans le TPS Raysearch est un réseau de neurones entièrement convolutif permettant la segmentation automatique des organes prédéfinis pour lesquels il a été entraîné. L'algorithme d'apprentissage machine est un atlas de forêts aléatoires générant une planimétrie, avec paramètres machine, à partir des distributions de dose pour lesquelles il a aussi été entraîné. D'abord, l'apprentissage profond a été évalué à l'aide des indices de similarité (Dice et Jaccard) qui quantifient la similarité des contours obtenus par apprentissage profond par rapport aux contours effectués par le radiothérapeute. Ensuite, l'apprentissage machine a été testé en générant des planimétries équivalentes aux plans de référence en termes d'indices de conformation de Paddick, d'homogénéité, de gradient et de contraintes dosimétriques selon les recommandations « Recorad ». Les plans de référence et ceux générés avec l'apprentissage machine ont été obtenus avec deux arcs volumétriques modulés en faisceaux photons de 10 MV (Novalis TX™, Varian). Les résultats de l'apprentissage profond testés sur 152 patients ont montré que les indices de similarité pour les organes à risque (vessie, rectum et têtes fémorales) étaient en moyenne à 0,85. Pour le volume cible prostatique, ces indices étaient en moyenne de 0,7. Les différences étaient majoritairement situées dans l'axe tête–pieds. Les temps de délineation étaient inférieurs à 30 s. Les planimétries issues de l'apprentissage machine avec le modèle du constructeur ont été analysées sur 50 patients. Celles-ci ont nécessité une optimisation pour l'arcthérapie volumétrique modulée supplémentaire pour générer des distributions de dose équivalentes à celles des plans de référence du service. Le temps de calcul total était de 10 min en moyenne, comprenant 7 min pour l'apprentissage machine et 3 min pour l'optimisation de l'arcthérapie volumétrique modulée. L'algorithme d'apprentissage profond avec le modèle du constructeur a été validé pour les organes à risque. Les écarts plus importants obtenus pour le volume cible, ont été imputés aux différences de délineation tête–pieds entre le modèle du constructeur et les délinéations effectuées par les radiothérapeutes référents. De même pour l'apprentissage machine, bien que les résultats étaient déjà très satisfaisants, une adaptation du modèle a été demandée au constructeur, permettant d'éviter une optimisation supplémentaire de l'arcthérapie volumétrique modulée. Les algorithmes testés basés sur l'intelligence artificielle permettent d'envisager une utilisation rapide en routine clinique, notamment pour la radiothérapie adaptative. [ABSTRACT FROM AUTHOR]