Strålplaneringsassistent - ett webbaserat verktyg för att stödja högkvalitativ strålbehandling på kliniker med begränsade resurser
Summary
Detta protokoll beskriver en serie automatiserade verktyg som är utformade för högkvalitativ strålbehandling, autokonturering och autoplanering som paketeras i en webbaserad tjänst för att maximera robusthet och skalbarhet samtidigt som driftskostnaderna minimeras.
Abstract
Tillgången till strålbehandling över hela världen är begränsad. Strålplaneringsassistenten (RPA) är ett helautomatiserat, webbaserat verktyg som utvecklas för att erbjuda helautomatiska dosplaneringsverktyg för strålbehandling till kliniker med begränsade resurser. Målet är att hjälpa kliniska team att skala upp sina insatser och på så sätt nå fler patienter med cancer. Användaren ansluter till RPA via en webbsida, fyller i en servicebegäran (recept och information om strålbehandlingsmålen) och laddar upp patientens CT-bilduppsättning. RPA erbjuder två metoder för automatiserad planering. Vid planering i ett steg använder systemet servicebegäran och datortomografi för att automatiskt generera de nödvändiga konturerna och behandlingsplanen. I tvåstegsplanering granskar och redigerar användaren de automatiskt genererade konturerna innan RPA fortsätter att generera en volymmodulerad bågterapiplan. Den slutliga planen laddas ner från RPA:s webbplats och importeras till användarens lokala dosplaneringssystem, där dosen räknas om för den lokalt beställda linacen; Vid behov redigeras planen innan den godkänns för klinisk användning.
Introduction
Det globala antalet cancerfall förväntas öka till cirka 24,6 miljoner år 2030, med den största bördan i låg- och medelinkomstländer1. Strålbehandling är en kostnadseffektiv, botande och palliativ behandling av cancer som ger fördelar för cirka 50 % av patienterna med cancer och för 60-70 % i låginkomstländer där patienter är mer benägna att insjukna i ett sent skede 2,3. Tillgången till strålbehandling i världen är dock begränsad4. Till exempel har inga länder i Afrika den strålbehandlingskapacitet som krävs för att tillgodose det beräknadebehovet. Flera studier har uppskattat dessa hotande brister och vad som skulle krävas för att möta kommande behov 6,7.
Lancet Oncology Commission lade fram övertygande argument för att investeringar i förbättrad strålbehandlingskapacitet inte bara skulle rädda liv utan också ge positiva ekonomiska fördelar. De påpekade också specifikt att automatisering av strålbehandling, konturering och behandlingsplanering kan hjälpa kliniska team att skala upp sina insatser genom att avsevärt minska den tid som onkologer och fysiker lägger på dessa uppgifter, vilket gör målen mer uppnåeliga.
Vår forskargrupp har samarbetat med kliniska team på MD Anderson och på sjukhus över hela världen för att utveckla webbaserade automatiserade verktyg. Denna uppsättning verktyg (som kallas RPA) tillhandahåller artificiell intelligens-baserad konturering (som beskriver tumörer och närliggande organ på CT-skanningar) och strålbehandlingsplanering (som definierar exakt hur strålningen levereras). Denna webbaserade plattform erbjuder fördelen med minskad tid och resurser som behövs för att förbereda högkvalitativa planer för varje patient.
Vår erfarenhet av en tidig version av ett AI-baserat verktyg på MD Anderson har visat att automatiserad konturering kan spara upp till 2 timmar per patient – en betydande effektivisering av arbetsflödet. Detta innebär att nuvarande klinisk personal kommer att kunna skala upp sina insatser och behandla fler patienter med strålbehandling av högre kvalitet. Genom att erbjuda dessa verktyg via en helt automatiserad, webbaserad tjänst (Radiation Planning Assistant [RPA], RPA.mdanderson.org) kan vi minimera kostnaderna för patienter och vårdgivare och maximera räckvidden för detta verktyg.
Vi har utvecklat RPA i 6 år, och flera betydande förändringar har gjorts sedan vi först publicerade RPA-arbetsflödena8. Det handlar bland annat om att utveckla RPA till ett webbaserat verktyg, vilket minskar kostnaderna för installation och underhåll och förbättrar systemets robusthet. Andra förbättringar inkluderar förändringar i användargränssnitten för att förbättra användbarheten och minska risken för fel9 och utökade behandlingsalternativ (särskilt strålbehandlingsplanering för bröst efter mastektomi10 och metastaser till hjärnan11). Således är det protokoll som beskrivs här betydligt mer avancerat än den ursprungliga versionen som tidigare publicerats.
RPA använder en enstegsprocess för att skapa konturer och planer i situationer där redigering av konturerna i allmänhet inte är nödvändig för att skapa behandlingsplanen. Detta inkluderar behandlingsplanering med fyra fält för livmoderhalscancer (baserat på beniga landmärken eller automatiskt genererade mjukdelskonturer)12,13,14,15, tangentiella eller supraklavikulära fält för bröstcancer efter mastektomi11 och motsatta lateraler för behandlingar av hela hjärnan 16. Inom en snar framtid räknar vi med att lägga till kraniospinala behandlingar för barncancer17, trefältsbehandlingar för rektalcancer18 och behandlingsplanering för olika palliativa fall (kotkroppar, höfter och revben)19, samt lung- och urinblåsecancer. För närvarande kräver mer avancerade behandlingar, särskilt volymmodulerad bågterapi (VMAT), en tvåstegsprocess där automatiskt genererade konturer redigeras före dosplanering13,20. Kvaliteten på djupinlärningsbaserad autokonturering är dock sådan att vi förväntar oss att ändra dessa planeringsmetoder till en enstegsprocess i framtiden. Detta protokoll fokuserar på planering i ett steg.
Figur 1 visar det övergripande arbetsflödet för att skapa en behandlingsplan för strålbehandling med hjälp av RPA, med mer information om de olika uppgifterna som visas i tabell 1. Sammanfattningsvis kräver RPA en ifylld servicebegäran (som innehåller information som dosering och behandlingsmetod) och en patients individuella datortomografi. Servicebegäran måste godkännas av en strålningsonkolog. Datortomografin måste godkännas av en klinisk användare för att säkerställa att RPA-beräkningarna utförs på rätt datortomografi. När RPA har genererat en plan ska den laddas ner från RPA:s webbplats och importeras till användarens dosplaneringssystem, där dosen ska beräknas på nytt. Detta är nödvändigt eftersom RPA beräknar planer på standardbalkar (tillgängliga för flera linac-modeller), som kanske inte exakt matchar strålegenskaperna hos den lokala linjäracceleratorn. Detta tillvägagångssätt användes för att minska kostnaderna, även om anpassning kan behövas om de lokala balkarna skiljer sig avsevärt från våra standardbalkar. Användarna (behandlingsplanerare och strålonkolog) kan göra ändringar i planen. Planen går sedan in i användarens typiska kliniska arbetsflöde, inklusive lokala kvalitetssäkringskontroller. Slutligen ska användaren ladda upp sin slutliga (omräknade och redigerade) plan till RPA:s webbplats, där en automatisk jämförelse mellan den slutliga planen och RPA-planen utförs. Detta är en användbar kontroll av dataintegriteten i det övergripande arbetsflödet.
Figur 1: Arbetsflöde för den automatiserade dosplaneringsprocessen. Klicka här för att se en större version av denna figur.
| Uppgift # i bild 1 | Arbetsuppgifter | Plats | |||
| Granska status för tidigare patienter | Huvudsaklig instrumentpanel | ||||
| 1 | Slutför en servicebegäran på RPA:s webbplats | Instrumentpanel för servicebegäran | |||
| 2 | Ladda upp en datortomografi till RPA:s webbplats | Instrumentpanel för datortomografi | |||
| 3 | Kontrollera patientens status | Huvudsaklig instrumentpanel | |||
| Granska och ladda ner RPA-planen | Huvudsaklig instrumentpanel | ||||
| 4 | Importera planen till användarens TPS, beräkna om dosen och gör ändringar vid behov | Lokal TPS | |||
| 5, 6 | Ladda upp den slutliga planen till RPA:s webbplats | Instrumentpanel för planjämförelse | |||
| Granska den automatiska jämförelsen mellan den slutliga planen och RPA-planen | Instrumentpanel för planjämförelse | ||||
| – | Planen går in i användarens rutinmässiga kliniska arbetsflöde, inklusive regelbunden kvalitetssäkring | Användarens egen programvara | |||
Tabell 1: Översikt över de uppgifter som ingår i att skapa en RPA-plan med hjälp av arbetsflödet i 1 steg. Lokal TPS: Användarens dosplaneringssystem.
Detta manuskript beskriver detta enstegsarbetsflöde för RPA och presenterar några exempel på resultat av dosplaneringsprocessen. För närvarande använder följande planeringsmetoder detta arbetsflöde i ett steg: i) Behandlingsplaner med fyra fält för patienter med livmoderhalscancer (beniga landmärkesbaserade öppningar); ii) Behandlingsplaner med fyra fält för patienter med livmoderhalscancer (mjukvävnadsbaserade fältöppningar). iii) tangentiella och supraklavikulära behandlingsplaner för patienter med bröstväggen; iv) Behandlingsplaner för hela hjärnan.
Protocol
Representative Results
Discussion
Detta protokoll beskriver stegen för att skapa automatiserade behandlingsplaner med hjälp av RPA. De viktigaste stegen är (1) CT-uppladdning och godkännande, (2) slutförande och godkännande av servicebegäran, (3) nedladdning och import av planen till användarens TPS och omberäkning av dos- och planredigering, och (4) uppladdning av den slutliga redigerade planen för jämförelse med RPA-planen. Ordningen för CT-godkännande och godkännande av servicebegäran är utbytbara. Vissa planer, särskilt volymmodulerade bågterapiplaner för huvud-, hals- och livmoderhalscancer, skapas i en tvåstegsprocess där ytterligare användarinteraktioner och konturer och planer genereras separat. Sammantaget är dock processerna likartade, och vi förväntar oss att dessa avancerade metoder för dosplanering kan ändras till en enstegsprocess i framtiden. Den övergripande kliniska acceptans som kan förväntas av dessa verktyg, och av verktyg som är under utveckling för framtida versioner, finns i vårt publicerade arbete 10,12,14,15,16,17,18,19,20,21,22.
Dessa verktyg har flera begränsningar, som beskrivits i vårt tidigare arbete, som undersökte risker vid utplacering av strålplaneringsassistenten på strålbehandlingskliniker 9,23. Även om användargränssnittet har utformats för att minimera risken för olämplig datainmatning, till exempel CT-bilder som inte har tillräckligt synfält eller fel vid manuell datainmatning, finns det fortfarande risk för fel. Specifikt är mänskliga fel, automatiseringsbias (övertro på resultaten) och programvarufel av betydelse9. Noggrann granskning och vid behov redigering av de automatiskt genererade konturerna och planerna är avgörande för säker användning av strålplaneringsassistenten. I allmänhet bör dessa granskningar följa samma process som fysiker och strålonkologer granskar kliniska planer, även om detta kan stödjas av användning av checklistor som tagits fram särskilt för att komplettera manuell granskning av automatiskt upprättade behandlingsplaner24.
Det finns situationer där RPA inte kan generera en plan och rapporterar ett fel till användaren. I nästan alla fall beror detta på att RPA stöter på oväntade data som den inte kan tolka, t.ex. otillräckligt synfält eller patientpositionering (t.ex. om en CT-bild togs med hjälp av ett ryggläge, men med patienten i bukläge). Användaren kanske kan identifiera problemet baserat på var felet rapporteras. I de flesta fall kan dessa situationer endast åtgärdas genom manuell konturering eller planering. RPA-teamet kan också granska loggfiler för att identifiera problemet.
RPA har utformats och utvecklats specifikt för att ge högkvalitativa autokonturerings- och autoplaneringsverktyg till kliniker med begränsade resurser, särskilt de i låg- och medelinkomstländer. Vi arbetar för närvarande med de regulatoriska, legala och administrativa processer som kommer att leda till att RPA används kliniskt. När det händer förväntar vi oss att noggrant övervaka användningen och göra ändringar i arbetsflödet eller användargränssnitten som svar på eventuella oförutsedda risker eller annan användarfeedback. Målet är att tillhandahålla verktyg som stöder strålbehandlingstjänster, så att lokala kliniska team kan skala upp sina insatser och förbättra tillgången till högkvalitativa, konsekventa strålbehandlingsplaner. Vi hoppas att detta kommer att leda till förbättrade patientresultat och kortare väntetider. Även om den nuvarande portföljen är begränsad till cancer i huvud och hals, bröst och livmoderhals, samt bestrålning av hela hjärnan för hjärnmetastaser, arbetar vi med ytterligare behandlingar som kommer att införlivas i framtida versioner 17,18,19.
Divulgaciones
The authors have nothing to disclose.
Acknowledgements
Detta arbete finansierades av National Cancer Institute och Wellcome Trust, med ytterligare stöd från Varian Medical Systems. Vårt nuvarande system använder Eclipse för dosplaneringsfunktioner. Vi vill också tacka Ann Sutton från Editing Services, Research Medical Library, UT MD Anderson Cancer Center. Utöver den institutionella finansieringen för RPA-utveckling får våra forskargrupper finansiering från Cancer Prevention and Research Institute of Texas (CPRIT) och Fund for Innovation in Cancer Informatics, University of Texas MD Anderson Cancer Center.
Referencias
- 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).
