Radiation Planning Assistant - 자원이 제한된 클리닉에서 고품질 방사선 치료를 지원하기 위한 웹 기반 도구
Summary
이 프로토콜은 운영 비용을 최소화하면서 견고성과 확장성을 극대화하기 위해 웹 기반 서비스로 패키징되는 고품질 방사선 치료 자동 윤곽 및 자동 계획을 위해 설계된 일련의 자동화 도구를 설명합니다.
Abstract
전 세계적으로 방사선 치료에 대한 접근은 제한되어 있습니다. 방사선 계획 도우미(RPA)는 자원이 제한된 클리닉에 완전 자동화된 방사선 치료 계획 도구를 제공하기 위해 개발 중인 완전 자동화된 웹 기반 도구입니다. 목표는 임상 팀이 노력을 확장하여 더 많은 암 환자에게 다가갈 수 있도록 돕는 것입니다. 사용자는 웹 페이지를 통해 RPA에 연결하고, 서비스 요청(처방전 및 방사선 치료 대상에 대한 정보)을 완료하고, 환자의 CT 이미지 세트를 업로드합니다. RPA는 자동화된 계획에 대한 두 가지 접근 방식을 제공합니다. 원스텝 계획에서 시스템은 서비스 요청 및 CT 스캔을 사용하여 필요한 윤곽 및 치료 계획을 자동으로 생성합니다. 2단계 계획에서 사용자는 RPA가 체적 변조 아크 치료 계획을 계속 생성하기 전에 자동으로 생성된 윤곽을 검토하고 편집합니다. 최종 계획은 RPA 웹사이트에서 다운로드되어 사용자의 로컬 치료 계획 시스템으로 가져오며, 여기서 로컬에서 위탁된 linac에 대한 투여량이 다시 계산됩니다. 필요한 경우 임상 사용 승인 전에 계획을 수정합니다.
Introduction
전 세계 암 환자 수는 2030년까지 약 2,460만 명으로 증가할 것으로 예상되며, 저소득 및 중간소득 국가(LMIC)에서 가장 큰 부담을 안고 있습니다1. 방사선 치료는 암에 대한 비용 효과적이고 완치적이며 완화적인 치료법으로, 암 환자의 약 50%와 환자가 말기에 나타날 가능성이 높은 저소득 국가의 60-70%에게 혜택을 제공합니다 2,3. 그러나 전 세계적으로 방사선 치료에 대한 접근은 제한적이다4; 예를 들어, 아프리카의 어떤 국가도 예상 수요를 충족시킬 수 있는 방사선 치료 역량을 갖추고 있지 않다5. 여러 연구에서 이러한 임박한 부족과 향후 수요를 충족하기 위해 필요한 것이 무엇인지 추정했습니다 6,7.
랜싯 종양학 위원회(Lancet Oncology Commission)는 방사선 치료 용량 개선에 대한 투자가 생명을 구할 뿐만 아니라 긍정적인 경제적 이익도 가져올 것이라는 설득력 있는 사례를 제시했습니다3. 또한 방사선 치료 윤곽 및 치료 계획의 자동화는 종양학자와 물리학자가 각각 이러한 작업에 소요하는 시간을 크게 줄여 임상 팀이 노력을 확장하는 데 도움이 될 수 있으므로 목표를 더 쉽게 달성할 수 있다고 구체적으로 지적했습니다.
우리 연구 그룹은 MD Anderson의 임상 팀 및 전 세계 병원과 협력하여 웹 기반 자동화 도구를 개발해 왔습니다. RPA라고 하는 이 도구 모음은 인공 지능 기반 윤곽 분석(CT 스캔에서 종양 및 주변 장기의 윤곽을 설명)과 방사선 치료 계획(방사선 전달 방법을 정확하게 정의)을 제공합니다. 이 웹 기반 플랫폼은 각 환자를 위한 고품질 계획을 준비하는 데 필요한 시간과 리소스를 줄일 수 있는 이점을 제공합니다.
MD Anderson의 AI 기반 도구 초기 버전에 대한 경험에 따르면 자동 컨투어링은 환자당 최대 2시간을 절약할 수 있어 워크플로우가 크게 간소화됩니다. 이는 현재 의료진이 더 많은 환자를 고품질 방사선 요법으로 치료할 수 있도록 노력을 확장할 수 있음을 의미합니다. 완전 자동화된 웹 기반 서비스(방사선 계획 도우미[RPA], RPA.mdanderson.org)를 통해 이러한 도구를 제공함으로써 환자와 의료 서비스 제공자의 비용을 최소화하고 이 도구의 사용 범위를 극대화할 수 있습니다.
우리는 6년 동안 RPA를 개발해 왔으며 RPA 워크플로8에 처음 게시한 이후 몇 가지 중요한 변경 사항이 있었습니다. 여기에는 RPA를 웹 기반 도구로 개발하여 설치 및 유지 관리와 관련된 비용을 절감하고 시스템의 견고성을 개선하는 것이 포함됩니다. 다른 개선 사항으로는 사용성을 개선하고 오류9 의 위험을 줄이기 위한 사용자 인터페이스의 변경과 치료 옵션의 확대(특히, 유방 절제술 후 유방10 및 뇌로의 전이11에 대한 방사선 요법 계획)가 포함된다. 따라서 여기에 설명된 프로토콜은 이전에 게시된 초기 버전보다 훨씬 더 발전된 프로토콜입니다.
RPA는 일반적으로 치료 계획을 수립하기 위해 등고선을 편집할 필요가 없는 상황에서 등고선과 계획을 작성하기 위해 원스텝 프로세스를 사용합니다. 여기에는 자궁경부암에 대한 4개 필드 상자 치료 계획(뼈 랜드마크 또는 자동으로 생성된 연조직 윤곽에 기반)12,13,14,15, 유방 절제술 후 유방암에 대한 접선 또는 쇄골상부 필드11, 전뇌 치료를 위한 반대측 필드16가 포함된다. 가까운 장래에 소아암17에 대한 두개척추 치료, 직장암18에 대한 3분야 치료, 다양한 완화 사례(척추체, 고관절 및 갈비뼈)19, 폐암 및 방광암에 대한 치료 계획이 추가될 것으로 예상됩니다. 현재, 보다 발전된 치료법, 특히 부피 변조 아크 요법(VMAT)은 치료 계획 전에 자동으로 생성된 윤곽을 편집하는 2단계 프로세스를 필요로 한다13,20. 그러나 딥러닝 기반 오토컨투어링의 품질은 향후 이러한 계획 접근 방식을 원스텝 프로세스로 변경할 것으로 예상할 수 있습니다. 이 프로토콜은 1단계 계획에 중점을 둡니다.
그림 1 은 RPA를 사용하여 방사선 치료 계획을 수립하기 위한 전체 워크플로우를 보여주며, 표 1에 표시된 다양한 작업에 대한 자세한 내용을 보여줍니다. 요약하자면, RPA는 완료된 서비스 요청(용량 처방 및 치료 접근법과 같은 정보 포함)과 환자의 개별 CT 스캔을 요구합니다. 서비스 요청은 방사선 종양학자가 수락해야 합니다. 올바른 CT 스캔에서 RPA 계산이 수행되도록 임상 사용자가 CT 스캔을 수락해야 합니다. RPA가 계획을 생성하면 RPA 웹사이트에서 다운로드하여 사용자의 치료 계획 시스템으로 가져와야 하며, 여기에서 복용량을 다시 계산해야 합니다. 이는 RPA가 로컬 라이낙의 빔 특성과 정확히 일치하지 않을 수 있는 표준 빔(여러 linac 모델에 사용 가능)에 대한 계획을 계산하기 때문에 필요합니다. 이 접근 방식은 비용을 줄이기 위해 취해졌지만 로컬 빔이 표준 빔과 크게 다른 경우 사용자 정의가 필요할 수 있습니다. 사용자(치료 계획자 및 방사선 종양학자)는 계획을 편집할 수 있습니다. 그런 다음 계획은 로컬 품질 보증 검사를 포함하여 사용자의 일반적인 임상 워크플로를 입력합니다. 마지막으로 사용자는 최종 계획(재계산 및 편집)을 RPA 웹 사이트에 업로드해야 하며, 여기에서 최종 계획과 RPA 계획 간의 자동 비교가 수행됩니다. 이는 전체 워크플로에서 데이터 무결성을 확인하는 데 유용합니다.
그림 1: 자동화된 치료 계획 프로세스의 워크플로우. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
| 그림 1의 작업 # | 작업 설명 | 위치 | |||
| 과거 환자의 상태를 검토합니다. | 메인 대시보드 | ||||
| 1 | RPA 웹사이트에서 서비스 요청 완료 | 서비스 요청 대시보드 | |||
| 2 | RPA 웹사이트에 CT 스캔 업로드 | CT 스캔 대시보드 | |||
| 3 | 환자의 상태를 확인합니다 | 메인 대시보드 | |||
| RPA 계획 검토 및 다운로드 | 메인 대시보드 | ||||
| 4 | 계획을 사용자의 TPS로 가져오고, 투여량을 다시 계산하고, 필요에 따라 편집합니다 | 로컬 TPS | |||
| 5, 6 | 최종 계획을 RPA 웹사이트에 업로드 | 요금제 비교 대시보드 | |||
| 최종 계획과 RPA 계획의 자동 비교 검토 | 요금제 비교 대시보드 | ||||
| – | 이 계획은 정기적인 품질 보증을 포함하여 사용자의 일상적인 임상 워크플로에 들어갑니다 | 사용자 자체 소프트웨어 | |||
표 1: 1단계 워크플로우를 사용한 RPA 계획 생성과 관련된 작업 개요. 로컬 TPS: 사용자의 치료 계획 시스템.
이 원고는 RPA에 대한 이 원스텝 워크플로우를 설명하고 치료 계획 프로세스 결과의 몇 가지 예시 결과를 제시합니다. 현재 다음 계획 접근법은 이 원스텝 워크플로우를 사용합니다: i) 자궁경부암 환자를 위한 4필드 박스 치료 계획(뼈 랜드마크 기반 개구); ii) 자궁경부암 환자를 위한 4개 필드 상자 치료 계획(연조직 기반 필드 구멍); iii) 흉벽 환자를 위한 접선 및 쇄골상 치료 계획; iv) 전뇌 치료 계획.
Protocol
Representative Results
Discussion
이 프로토콜은 RPA를 사용하여 자동화된 치료 계획을 수립하는 단계를 간략하게 설명합니다. 주요 단계는 (1) CT 업로드 및 승인, (2) 서비스 요청 완료 및 승인, (3) 계획 다운로드 및 사용자의 TPS로 가져오기 및 용량 및 계획 편집 재계산, (4) RPA 계획과 비교하기 위한 최종 편집 계획 업로드입니다. CT 승인과 서비스 요청 승인의 순서는 서로 바꿔 사용할 수 있습니다. 일부 계획, 특히 두경부 및 자궁경부암에 대한 부피 조절 아크 치료 계획은 추가 사용자 상호 작용과 윤곽 및 계획이 별도로 생성되는 2단계 프로세스로 생성됩니다. 그러나 전반적으로 프로세스는 유사하며 이러한 고급 치료 계획 접근 방식은 향후 원스텝 프로세스로 변경될 수 있을 것으로 기대합니다. 이러한 도구와 향후 버전을 위해 개발 중인 도구에서 기대할 수 있는 전반적인 임상 수용성은 출판된 연구 10,12,14,15,16,17,18,19,20,21,22에서 확인할 수 있습니다.
이러한 도구에는 방사선 치료 클리닉에 방사선 계획 보조원을 배치할 때의 위험을 조사한 이전 연구에서 설명한 바와 같이 몇 가지 제한 사항이 있습니다 9,23. 사용자 인터페이스는 시야각이 충분하지 않은 CT 이미지 또는 수동 데이터 입력 오류와 같은 부적절한 데이터 입력의 위험을 최소화하도록 설계되었지만 여전히 오류가 발생할 가능성이 있습니다. 특히, 인적 오류, 자동화 편향(결과에 대한 과도한 의존) 및 소프트웨어 오류가 우려 사항이다9. 자동으로 생성된 등고선 및 평면도를 주의 깊게 검토하고 필요한 경우 편집하는 것은 방사선 계획 도우미를 안전하게 사용하는 데 필수적입니다. 일반적으로, 이러한 문헌고찰은 물리학자 및 방사선 종양학자에 의한 임상계획 검토와 동일한 과정을 따라야 하지만, 이는 자동으로 작성된 치료계획의 수동 검토를 보완하기 위해 특별히 개발된 체크리스트를 사용함으로써 뒷받침될 수 있다24.
RPA가 계획을 생성할 수 없고 사용자에게 오류를 보고하는 경우가 있습니다. 거의 모든 경우에 이는 RPA가 불충분한 시야 또는 환자 위치 지정(예: 누운 위 프로토콜을 사용하여 CT 이미지를 촬영했지만 환자가 엎드린 자세로 촬영한 경우)과 같이 해석할 수 없는 예기치 않은 데이터에 직면하기 때문에 발생합니다. 사용자는 오류가 보고된 위치에 따라 문제를 식별할 수 있습니다. 대부분의 경우 이러한 상황은 수동 컨투어링 또는 계획을 통해서만 해결할 수 있습니다. RPA 팀은 로그 파일을 검토하여 문제를 식별할 수도 있습니다.
RPA는 자원이 제한된 클리닉, 특히 저소득 및 중간 소득 국가의 클리닉에 고품질 오토컨투어링 및 오토플래닝 도구를 제공하기 위해 특별히 설계 및 개발되었습니다. 현재 RPA가 임상적으로 사용될 수 있도록 규제, 법적, 행정적 절차를 밟고 있습니다. 이러한 일이 발생하면 사용을 주의 깊게 모니터링하고 예상치 못한 위험 또는 기타 사용자 피드백에 대응하여 워크플로 또는 사용자 인터페이스를 변경할 것으로 예상됩니다. 목표는 방사선 치료 서비스를 지원하는 도구를 제공하여 현지 임상 팀이 노력을 확장하여 고품질의 일관된 방사선 치료 계획에 대한 접근성을 개선할 수 있도록 하는 것입니다. 이를 통해 환자 치료 결과가 개선되고 대기 시간이 단축되기를 바랍니다. 현재 포트폴리오는 두경부암, 유방암, 자궁경부암과 뇌 전이를 위한 뇌 전신 방사선 조사로 제한되어 있지만, 향후 버전17,18,19에 통합될 추가 치료법을 연구하고 있습니다.
Offenlegungen
The authors have nothing to disclose.
Acknowledgements
이 연구는 국립 암 연구소(National Cancer Institute)와 웰컴 트러스트(Wellcome Trust)의 자금 지원을 받았으며 바리안 메디컬 시스템즈(Varian Medical Systems)의 추가 지원을 받았습니다. 현재 시스템은 치료 계획 기능을 위해 Eclipse를 사용합니다. 또한 UT MD Anderson Cancer Center의 Research Medical Library, Editing Services의 Ann Sutton에게도 감사의 말씀을 전합니다. RPA 개발을 위한 기관 자금 지원 외에도 우리 연구팀은 텍사스 암 예방 및 연구소(CPRIT)와 텍사스 대학교 MD 앤더슨 암 센터의 암 정보학 혁신 기금(Fund for Innovation in Cancer Informatics)으로부터 자금을 지원받습니다.
Referenzen
- Ferlay, J., et al. Cancer incidence and mortality worldwide: Sources, methods and major patterns in GLOBOCAN 2012. International Journal of Cancer. 136 (5), E359-E386 (2015).
- Elmore, S. N. C., et al. Global palliative radiotherapy: a framework to improve access in resource-constrained settings. Annals of Palliative Medicine. 8 (3), 274-284 (2019).
- Atun, R., et al. Expanding global access to radiotherapy. The Lancet. Oncology. 16 (10), 1153-1186 (2015).
- Yap, M. L., Zubizarreta, E., Bray, F., Ferlay, J., Barton, M. Global access to radiotherapy services: have we made progress during the past decade. Journal of Global Oncology. 2 (4), 207-215 (2016).
- Elmore, S. N. C., et al. C. al. Radiotherapy resources in Africa: an International Atomic Energy Agency update and analysis of projected needs. The Lancet. Oncology. 22 (9), e391-e399 (2021).
- Datta, N. R., Samiei, M., Bodis, S. Radiation therapy infrastructure and human resources in low- and middle-income countries: present status and projections for 2020. International Journal of Radiation Oncology, Biology, Physics. 89 (3), 448-457 (2014).
- Ward, Z. J., Scott, A. M., Hricak, H., Atun, R. Global costs, health benefits, and economic benefits of scaling up treatment and imaging modalities for survival of 11 cancers: a simulation-based analysis. The Lancet. Oncology. 22 (3), 341-350 (2021).
- Court, L. E., et al. Radiation Planning Assistant – a streamlined, fully automated radiotherapy treatment planning system. Journal of Visualized Experiments. (134), e57411 (2018).
- Nealon, K. A., et al. Using failure mode and effects analysis to evaluate risk in the clinical adoption of automated contouring and treatment planning tools. Practical Radiation Oncology. 12 (4), e344-e353 (2022).
- Kisling, K., et al. Automated treatment planning of postmastectomy radiotherapy. Medical Physics. 46 (9), 3767-3775 (2019).
- Xiao, Y., et al. Customizable landmark-based field aperture design for automated whole-brain radiotherapy treatment planning. Journal of Applied Clinical Medical Physics. 24 (3), e13839 (2022).
- Kisling, K., et al. Fully automatic treatment planning for external-beam radiation therapy of locally advanced cervical cancer: a tool for low-resource clinics. Journal of Global Oncology. 5, 1-9 (2019).
- Rhee, D. J., et al. Clinical acceptability of fully automated external beam radiotherapy for cervical cancer with three different beam delivery techniques. Medical Physics. 49 (9), 5742-5751 (2022).
- Rhee, D. J., et al. Automated radiation treatment planning for cervical cancer. Seminars in Radiation Oncology. 30 (4), 340-347 (2020).
- Rhee, D. J., et al. Automatic contouring system for cervical cancer using convolutional neural networks. Medical Physics. 47 (11), 5648-5658 (2020).
- Xiao, Y., et al. Automated WBRT treatment planning via deep learning auto-contouring and customizable landmark-based field aperture design. arXiv. , (2022).
- Hernandez, S., et al. Automating the treatment planning process for 3D-conformal pediatric craniospinal irradiation therapy. Pediatric Blood & Cancer. 70 (3), e30164 (2023).
- Huang, K., et al. Automation of radiation treatment planning for rectal cancer. Journal of Applied Clinical Medical Physics. 23 (9), e13712 (2022).
- Netherton, T. J., et al. An automated treatment planning framework for spinal radiation therapy and vertebral-level second check. International Journal of Radiation Oncology, Biology, Physics. 114 (3), 516-528 (2022).
- Olanrewaju, A., et al. Clinical acceptability of automated radiation treatment planning for head and neck cancer using the Radiation Planning Assistant. Practical Radiation Oncology. 11 (3), 177-184 (2021).
- Rhee, D. J., et al. Automatic contouring QA method using a deep learning-based autocontouring system. Journal of Applied Clinical Medical Physics. 23 (8), e13647 (2022).
- Rhee, D. J., et al. Automatic detection of contouring errors using convolutional neural networks. Medical Physics. 46 (11), 5086-5097 (2019).
- Kisling, K., et al. A risk assessment of automated treatment planning and recommendations for clinical deployment. Medical Physics. 46 (6), 2567-2574 (2019).
- Nealon, K. A., Court, L. E., Douglas, R. J., Zhang, L., Han, E. Y. Development and validation of a checklist for use with automatically generated radiotherapy plans. Journal of Applied Clinical Medical Physics. 23 (9), e13694 (2022).
