Radiation Planning Assistant - Een webgebaseerde tool ter ondersteuning van hoogwaardige radiotherapie in klinieken met beperkte middelen
Summary
Dit protocol beschrijft een reeks geautomatiseerde tools die zijn ontworpen voor autocontouring en autoplanning van radiotherapie van hoge kwaliteit en die worden verpakt in een webgebaseerde service om de robuustheid en schaalbaarheid te maximaliseren en tegelijkertijd de operationele kosten te minimaliseren.
Abstract
De toegang tot radiotherapie is wereldwijd beperkt. De Radiation Planning Assistant (RPA) is een volledig geautomatiseerde, webgebaseerde tool die wordt ontwikkeld om volledig geautomatiseerde planningstools voor radiotherapiebehandelingen aan te bieden aan klinieken met beperkte middelen. Het doel is om klinische teams te helpen hun inspanningen op te schalen, waardoor meer patiënten met kanker worden bereikt. De gebruiker maakt via een webpagina verbinding met de RPA, vult een serviceverzoek in (voorschrift en informatie over de radiotherapiedoelen) en uploadt de CT-beeldset van de patiënt. De RPA biedt twee benaderingen voor geautomatiseerde planning. Bij een eenstapsplanning genereert het systeem aan de hand van de serviceaanvraag en CT-scan automatisch de benodigde contouren en het behandelplan. Bij een planning in twee stappen beoordeelt en bewerkt de gebruiker de automatisch gegenereerde contouren voordat de RPA doorgaat met het genereren van een volumegemoduleerd boogtherapieplan. Het definitieve plan wordt gedownload van de RPA-website en geïmporteerd in het lokale behandelingsplanningssysteem van de gebruiker, waar de dosis opnieuw wordt berekend voor de lokaal in gebruik genomen linac; Indien nodig wordt het plan bewerkt voordat het wordt goedgekeurd voor klinisch gebruik.
Introduction
Het wereldwijde aantal gevallen van kanker zal naar verwachting groeien tot ongeveer 24,6 miljoen in 2030, met de grootste last in lage- en middeninkomenslanden (LMIC’s)1. Radiotherapie is een kosteneffectieve, curatieve en palliatieve behandeling voor kanker, die voordelen biedt aan ongeveer 50% van de patiënten met kanker en aan 60-70% in lage-inkomenslanden waar patiënten meer kans hebben om zich in een laat stadium te presenteren 2,3. De toegang tot radiotherapie wereldwijd is echter beperkt4; geen enkel land in Afrika heeft bijvoorbeeld de radiotherapiecapaciteit om aan hun geschatte behoefte te voldoen5. Verschillende studies hebben een schatting gemaakt van deze dreigende tekorten en wat er nodig zou zijn om aan de komende behoeften te voldoen 6,7.
De Lancet Oncology Commission voerde overtuigend aan dat investeringen in verbeteringen van de radiotherapiecapaciteit niet alleen levens zouden redden, maar ook positieve economische voordelen zouden opleveren3. Ze wezen er ook specifiek op dat automatisering van radiotherapiecontouren en behandelingsplanning klinische teams kan helpen hun inspanningen op te schalen door de tijd die respectievelijk oncologen en natuurkundigen aan deze taken besteden aanzienlijk te verminderen, waardoor de doelen beter haalbaar worden.
Onze onderzoeksgroep heeft samengewerkt met klinische teams van MD Anderson en in ziekenhuizen over de hele wereld om webgebaseerde geautomatiseerde tools te ontwikkelen. Deze reeks tools (de RPA genoemd) biedt op kunstmatige intelligentie gebaseerde contouren (het schetsen van tumoren en nabijgelegen organen op CT-scans) en radiotherapiebehandelingsplanning (die precies definieert hoe de straling wordt afgegeven). Dit webgebaseerde platform biedt het voordeel dat er minder tijd en middelen nodig zijn om plannen van hoge kwaliteit voor elke patiënt op te stellen.
Onze ervaring met een vroege versie van een op AI gebaseerde tool bij MD Anderson heeft aangetoond dat geautomatiseerde contouring tot 2 uur per patiënt kan besparen – een aanzienlijke stroomlijning van de workflow. Dit betekent dat het huidige klinische personeel in staat zal zijn om hun inspanningen op te schalen en meer patiënten te behandelen met radiotherapie van hogere kwaliteit. Door deze tools aan te bieden via een volledig geautomatiseerde, webgebaseerde service (Radiation Planning Assistant [RPA], RPA.mdanderson.org), kunnen we de kosten voor de patiënten en zorgverleners minimaliseren en het bereik van deze tool maximaliseren.
We zijn al 6 jaar bezig met de ontwikkeling van de RPA en er zijn verschillende belangrijke wijzigingen aangebracht sinds we voor het eerst publiceerden over de RPA-workflows8. Deze omvatten het ontwikkelen van de RPA tot een webgebaseerde tool, waardoor de kosten voor installatie en onderhoud worden verlaagd en de robuustheid van het systeem wordt verbeterd. Andere verbeteringen zijn onder meer wijzigingen in de gebruikersinterfaces om de bruikbaarheid te verbeteren en het risico op foutente verminderen 9 en het uitbreiden van behandelingsopties (met name radiotherapieplanning voor borst10 na borstamputatie 10 en metastasen naar de hersenen11). Het hier beschreven protocol is dus aanzienlijk geavanceerder dan de oorspronkelijke versie die eerder is gepubliceerd.
De RPA maakt gebruik van een eenstapsproces om contouren en plannen te maken in situaties waarin het bewerken van de contouren over het algemeen niet nodig is om het behandelplan op te stellen. Dit omvat vierveldsbehandelingsplanning voor baarmoederhalskanker (gebaseerd op benige oriëntatiepunten of automatisch gegenereerde contouren van zacht weefsel)12,13,14,15, tangentiële of supraclaviculaire velden voor borstkanker na borstamputatie 11, en tegengestelde laterale voor behandelingen van de hele hersenen16. In de nabije toekomst verwachten we craniospinale behandelingen voor pediatrische kankers17, drieveldsbehandelingen voor endeldarmkanker18 en behandelplanning voor verschillende palliatieve gevallen (wervellichamen, heupen en ribben)19, evenals long- en blaaskanker. Momenteel vereisen meer geavanceerde behandelingen, met name volume-gemoduleerde boogtherapie (VMAT), een proces in twee stappen waarbij automatisch gegenereerde contouren worden bewerkt voorafgaand aan de behandelplanning 13,20. De kwaliteit van autocontouring op basis van deep learning is echter zodanig dat we verwachten deze planningsbenaderingen in de toekomst te veranderen in een eenstapsproces. Dit protocol richt zich op planning in één stap.
Figuur 1 toont de algemene workflow voor het opstellen van een behandelplan voor radiotherapie met behulp van de RPA, met meer details over de verschillende taken die in tabel 1 worden weergegeven. Samengevat vereist de RPA een ingevuld serviceverzoek (dat informatie bevat zoals het voorschrijven van de dosis en de behandelingsaanpak) en de individuele CT-scan van een patiënt. Het serviceverzoek moet worden geaccepteerd door een radiotherapeut-oncoloog. De CT-scan moet worden geaccepteerd door een klinische gebruiker om er zeker van te zijn dat de RPA-berekeningen op de juiste CT-scan worden uitgevoerd. Zodra de RPA een plan heeft gegenereerd, moet het worden gedownload van de RPA-website en worden geïmporteerd in het behandelingsplanningssysteem van de gebruiker, waar de dosis opnieuw moet worden berekend. Dit is nodig omdat de RPA plannen berekent op standaardliggers (beschikbaar voor verschillende linac-modellen), die mogelijk niet exact overeenkomen met de bundelkarakteristieken van de lokale linac. Deze aanpak is gekozen om de kosten te verlagen, hoewel maatwerk nodig kan zijn als de lokale balken aanzienlijk verschillen van onze standaardbalken. De gebruikers (behandelplanner en radiotherapeut-oncoloog) kunnen wijzigingen aanbrengen in het plan. Het plan komt vervolgens in de typische klinische workflow van de gebruiker, inclusief lokale kwaliteitscontroles. Ten slotte moet de gebruiker zijn definitieve (herberekende en bewerkte) plan uploaden naar de RPA-website, waar een geautomatiseerde vergelijking tussen het definitieve plan en het RPA-plan wordt uitgevoerd. Dit is een nuttige controle van de gegevensintegriteit in de algehele workflow.
Figuur 1: Workflow van het geautomatiseerde behandelplanningsproces. Klik hier om een grotere versie van deze figuur te bekijken.
| Taak # in figuur 1 | Taakomschrijving | Plaats | |||
| Bekijk de status van eerdere patiënten | Hoofd dashboard | ||||
| 1 | Vul een serviceaanvraag in op de RPA-website | Dashboard voor serviceaanvragen | |||
| 2 | Upload een CT-scan naar de RPA-website | CT-scan dashboard | |||
| 3 | Controleer de status van de patiënt | Hoofd dashboard | |||
| Bekijk en download het RPA-plan | Hoofd dashboard | ||||
| 4 | Importeer het plan in de TPS van de gebruiker, bereken de dosis opnieuw en breng indien nodig wijzigingen aan | Lokale TPS | |||
| 5, 6 | Upload het definitieve plan naar de RPA-website | Dashboard voor het vergelijken van plannen | |||
| Bekijk de automatische vergelijking van het definitieve plan en het RPA-plan | Dashboard voor het vergelijken van plannen | ||||
| – | Het plan komt in de routinematige klinische workflow van de gebruiker, inclusief regelmatige kwaliteitsborging | Eigen software van de gebruiker | |||
Tabel 1: Overzicht van de taken die komen kijken bij het maken van een RPA-plan met behulp van de 1-staps workflow. Lokale TPS: Planningssysteem voor de behandeling van de gebruiker.
Dit manuscript beschrijft deze eenstapsworkflow voor de RPA en presenteert enkele voorbeeldresultaten van de output van het behandelplanningsproces. Momenteel maken de volgende planningsbenaderingen gebruik van deze workflow in één stap: i) Behandelplannen met vier velden voor patiënten met baarmoederhalskanker (op benige oriëntatiepunten gebaseerde openingen); ii) behandelplannen met vier velden voor patiënten met baarmoederhalskanker (veldopeningen op basis van zacht weefsel); iii) tangentiële en supraclaviculaire behandelplannen voor patiënten met een thoraxwand; iv) behandelplannen voor het hele brein.
Protocol
Representative Results
Discussion
Dit protocol beschrijft de stappen bij het maken van geautomatiseerde behandelplannen met behulp van de RPA. De belangrijkste stappen zijn (1) CT-upload en -goedkeuring, (2) voltooiing en goedkeuring van serviceaanvragen, (3) het downloaden en importeren van het plan in de TPS van de gebruiker en herberekening van de dosis en het bewerken van het plan, en (4) het uploaden van het definitieve bewerkte plan voor vergelijking met het RPA-plan. De volgorde van de CT-goedkeuring en de goedkeuring van de serviceaanvraag zijn uitwisselbaar. Sommige plannen, met name volumegemoduleerde boogtherapieplannen voor hoofd-hals- en baarmoederhalskanker, worden gemaakt in een proces in twee stappen waarin aanvullende gebruikersinteracties en de contouren en plannen afzonderlijk worden gegenereerd. Over het algemeen zijn de processen echter vergelijkbaar en we verwachten dat deze geavanceerde benaderingen van behandelplanning in de toekomst kunnen worden gewijzigd in een eenstapsproces. De algemene klinische aanvaardbaarheid die kan worden verwacht van deze tools, en van tools die in ontwikkeling zijn voor toekomstige versies, is te vinden in ons gepubliceerde werk 10,12,14,15,16,17,18,19,20,21,22.
Deze tools hebben verschillende beperkingen, zoals beschreven in ons eerdere werk, waarin het risico werd onderzocht bij het inzetten van de Radiation Planning Assistant in radiotherapieklinieken 9,23. Hoewel de gebruikersinterface is ontworpen om het risico op ongepaste gegevensinvoer te minimaliseren, zoals CT-beelden die niet voldoende gezichtsveld hebben of fouten bij handmatige gegevensinvoer, is er nog steeds kans op fouten. Met name menselijke fouten, automatiseringsbias (te veel vertrouwen op de resultaten) en softwarefouten zijn een punt van zorg9. Een zorgvuldige beoordeling en, indien nodig, bewerking van de automatisch gegenereerde contouren en plannen, is essentieel voor een veilig gebruik van de stralingsplanningsassistent. In het algemeen moeten deze beoordelingen hetzelfde proces volgen als wordt gevolgd voor de beoordeling van klinische plannen door natuurkundigen en radiotherapeut-oncologen, hoewel dit kan worden ondersteund door het gebruik van checklists die speciaal zijn ontwikkeld als aanvulling op handmatige beoordeling van automatisch opgestelde behandelplannen24.
Er zijn situaties waarin de RPA geen plan kan genereren en een fout aan de gebruiker meldt. In bijna alle gevallen wordt dit veroorzaakt doordat de RPA onverwachte gegevens tegenkomt die het niet kan interpreteren, zoals onvoldoende gezichtsveld of positionering van de patiënt (bijvoorbeeld als een CT-beeld is gemaakt met behulp van een rugligging, maar met de patiënt in buikligging). De gebruiker kan het probleem mogelijk identificeren op basis van waar de fout wordt gemeld. In de meeste gevallen kunnen deze situaties alleen worden verholpen door handmatig contouren of planning. Het RPA-team kan mogelijk ook logbestanden bekijken om het probleem te identificeren.
De RPA is speciaal ontworpen en ontwikkeld om hoogwaardige autocontouring- en autoplanningstools te bieden aan klinieken met beperkte middelen, met name die in lage- en middeninkomenslanden. We werken momenteel aan de regelgevende, juridische en administratieve processen die zullen leiden tot klinisch gebruik van de RPA. Zodra dat gebeurt, verwachten we het gebruik nauwlettend in de gaten te houden en wijzigingen aan te brengen in de workflow of gebruikersinterfaces als reactie op onverwachte risico’s of andere feedback van gebruikers. Het doel is om hulpmiddelen te bieden die radiotherapiediensten ondersteunen, zodat lokale klinische teams hun inspanningen kunnen opschalen, waardoor de toegang tot hoogwaardige, consistente radiotherapieplannen wordt verbeterd. We hopen dat dit zal leiden tot betere resultaten voor de patiënt en tot kortere wachttijden. Hoewel het huidige portfolio beperkt is tot kanker van het hoofd en de nek, de borst en de baarmoederhals, evenals bestraling van de hele hersenen voor hersenmetastasen, werken we aan aanvullende behandelingen die zullen worden opgenomen in toekomstige versies 17,18,19.
Disclosures
The authors have nothing to disclose.
Acknowledgements
Dit werk werd gefinancierd door het National Cancer Institute en de Wellcome Trust, met aanvullende steun van Varian Medical Systems. Ons huidige systeem gebruikt Eclipse voor behandelingsplanningsfuncties. We willen ook Ann Sutton van Editing Services, Research Medical Library, UT MD Anderson Cancer Center bedanken. Naast de institutionele financiering voor de ontwikkeling van RPA’s, ontvangen onze onderzoeksteams financiering van het Cancer Prevention and Research Institute of Texas (CPRIT) en het Fund for Innovation in Cancer Informatics, het MD Anderson Cancer Center van de Universiteit van Texas.
References
- 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).
