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

Introduction et but de l’etude Le systeme de planification des traitements (TPS) Raysearch® possede deux algorithmes bases sur l’intelligence artificielle : l’un permettant la delineation (apprentissage profond) et l’autre concernant la planification (apprentissage machine). Ces nouvelles methodes permettent d’envisager une homogeneisation des pratiques et une reduction du temps de planification. A l’aide des modeles d’intelligence artificielle fournis par le constructeur, ces deux algorithmes ont ete testes sur les cas de cancer de la prostate, traites sans irradiation pelvienne, a la dose de 78 Gy. Le but etait d’evaluer les limites de ces modeles fournis par le constructeur pour nos pratiques locales. Materiel et methodes L’algorithme d’apprentissage profond disponible dans le TPS Raysearch est un reseau de neurones entierement convolutif permettant la segmentation automatique des organes predefinis pour lesquels il a ete entraine. L’algorithme d’apprentissage machine est un atlas de forets aleatoires generant une planimetrie, avec parametres machine, a partir des distributions de dose pour lesquelles il a aussi ete entraine. D’abord, l’apprentissage profond a ete evalue a l’aide des indices de similarite (Dice et Jaccard) qui quantifient la similarite des contours obtenus par apprentissage profond par rapport aux contours effectues par le radiotherapeute. Ensuite, l’apprentissage machine a ete teste en generant des planimetries equivalentes aux plans de reference en termes d’indices de conformation de Paddick, d’homogeneite, de gradient et de contraintes dosimetriques selon les recommandations « Recorad ». Les plans de reference et ceux generes avec l’apprentissage machine ont ete obtenus avec deux arcs volumetriques modules en faisceaux photons de 10 MV (Novalis TX™, Varian). Resultats et analyse statistique Les resultats de l’apprentissage profond testes sur 152 patients ont montre que les indices de similarite pour les organes a risque (vessie, rectum et tetes femorales) etaient en moyenne a 0,85. Pour le volume cible prostatique, ces indices etaient en moyenne de 0,7. Les differences etaient majoritairement situees dans l’axe tete–pieds. Les temps de delineation etaient inferieurs a 30 s. Les planimetries issues de l’apprentissage machine avec le modele du constructeur ont ete analysees sur 50 patients. Celles-ci ont necessite une optimisation pour l’arctherapie volumetrique modulee supplementaire pour generer des distributions de dose equivalentes a celles des plans de reference du service. Le temps de calcul total etait de 10 min en moyenne, comprenant 7 min pour l’apprentissage machine et 3 min pour l’optimisation de l’arctherapie volumetrique modulee. Conclusion L’algorithme d’apprentissage profond avec le modele du constructeur a ete valide pour les organes a risque. Les ecarts plus importants obtenus pour le volume cible, ont ete imputes aux differences de delineation tete–pieds entre le modele du constructeur et les delineations effectuees par les radiotherapeutes referents. De meme pour l’apprentissage machine, bien que les resultats etaient deja tres satisfaisants, une adaptation du modele a ete demandee au constructeur, permettant d’eviter une optimisation supplementaire de l’arctherapie volumetrique modulee. Les algorithmes testes bases sur l’intelligence artificielle permettent d’envisager une utilisation rapide en routine clinique, notamment pour la radiotherapie adaptative.