Radiation Planning Assistant — веб-инструмент для поддержки высококачественной лучевой терапии в клиниках с ограниченными ресурсами
Summary
Этот протокол описывает серию автоматизированных инструментов, предназначенных для высококачественной лучевой терапии, автоконтурирования и автоматического планирования, которые упаковываются в веб-сервис для обеспечения максимальной надежности и масштабируемости при минимизации эксплуатационных расходов.
Abstract
Доступ к лучевой терапии во всем мире ограничен. Radiation Planning Assistant (RPA) — это полностью автоматизированный веб-инструмент, который разрабатывается для того, чтобы предложить клиникам с ограниченными ресурсами полностью автоматизированные инструменты планирования лучевой терапии. Цель состоит в том, чтобы помочь клиническим бригадам масштабировать свои усилия, тем самым охватив больше пациентов с раком. Пользователь подключается к RPA через веб-страницу, заполняет запрос на обслуживание (рецепт и информацию о мишенях лучевой терапии) и загружает набор КТ-изображений пациента. RPA предлагает два подхода к автоматизированному планированию. При одноэтапном планировании система использует запрос на обслуживание и компьютерную томографию для автоматического создания необходимых контуров и плана лечения. При двухэтапном планировании пользователь просматривает и редактирует автоматически сгенерированные контуры, прежде чем RPA продолжит генерировать план дуговой терапии с модуляцией объема. Окончательный план загружается с веб-сайта RPA и импортируется в локальную систему планирования лечения пользователя, где доза пересчитывается для локально введенного в эксплуатацию линейного ускорителя; При необходимости план редактируется перед утверждением для клинического использования.
Introduction
Ожидается, что к 2030 г. число случаев заболевания раком в мире вырастет примерно до 24,6 миллиона, при этом наибольшее бремя будет приходиться на страны с низким и средним уровнем дохода (СНСД)1. Лучевая терапия является экономически эффективным, лечебным и паллиативным методом лечения рака, приносящим пользу примерно 50% пациентов с раком и 60-70% в странах с низким уровнем дохода, где пациенты с большей вероятностью обращаются на поздней стадии 2,3. Однако доступ к лучевой терапии во всем мире ограничен4; Например, ни одна страна в Африке не располагает потенциалом в области лучевой терапии для удовлетворения их предполагаемых потребностей5. Несколько исследований оценили этот надвигающийся дефицит и то, что потребуется для удовлетворения предстоящих потребностей, 6,7.
Комиссия по онкологии журнала «Ланцет» убедительно доказала, что инвестиции в расширение возможностей лучевой терапии не только спасут жизни людей, но и принесут положительныеэкономические выгоды. Они также особо отметили, что автоматизация контурной терапии и планирования лечения может помочь клиническим бригадам масштабировать свои усилия, значительно сократив время, затрачиваемое на эти задачи онкологами и физиками соответственно, что сделает цели более достижимыми.
Наша исследовательская группа работает в сотрудничестве с клиническими командами MD Anderson и больниц по всему миру над разработкой автоматизированных веб-инструментов. Этот набор инструментов (называемый RPA) обеспечивает контурирование на основе искусственного интеллекта (выделение опухолей и близлежащих органов на компьютерной томографии) и планирование лучевой терапии (которое точно определяет, как доставляется излучение). Преимущество этой веб-платформы заключается в сокращении времени и ресурсов, необходимых для подготовки высококачественных планов для каждого пациента.
Наш опыт работы с ранней версией инструмента на основе искусственного интеллекта в MD Anderson показал, что автоматизированная контурная пластика может сэкономить до 2 часов на одного пациента, что значительно упрощает рабочий процесс. Это означает, что нынешний клинический персонал сможет масштабировать свои усилия, леча больше пациентов с помощью более качественной лучевой терапии. Предлагая эти инструменты через полностью автоматизированный веб-сервис (Radiation Planning Assistant [RPA], RPA.mdanderson.org), мы можем свести к минимуму затраты для пациентов и поставщиков услуг и максимально расширить охват этого инструмента.
Мы разрабатываем RPA в течение 6 лет, и с тех пор, как мы впервые опубликовали RPAworkflows 8, было внесено несколько существенных изменений. К ним относится превращение RPA в веб-инструмент, что позволяет снизить затраты, связанные с установкой и обслуживанием, а также повысить надежность системы. Другие улучшения включают изменения в пользовательском интерфейсе для повышения удобства использования и снижения риска ошибок9 , а также расширение вариантов лечения (в частности, планирование лучевой терапии молочной железы после мастэктомии10 и метастазов в головной мозг11). Таким образом, протокол, описанный здесь, является существенно более продвинутым, чем первоначальная версия, опубликованная ранее.
RPA использует одноэтапный процесс для создания контуров и планов в ситуациях, в которых редактирование контуров, как правило, не требуется для создания плана лечения. Это включает в себя четырехполевое планирование лечения рака шейки матки (на основе костных ориентиров или автоматически сгенерированных контуров мягких тканей)12,13,14,15, тангенциальные или надключичные поля для рака молочной железы после мастэктомии 11 и противоположные латеральные поля для лечения всего мозга16. В ближайшем будущем мы планируем добавить краниоспинальное лечение рака у детей17, трехполевые методы лечения рака прямой кишки18 и планирование лечения различных паллиативных случаев (тела позвонков, тазобедренных суставов и ребер)19, а также рака легких и мочевого пузыря. В настоящее время более продвинутые методы лечения, в частности, дуговая терапия с модуляцией объема (VMAT), требуют двухэтапного процесса, в котором автоматически сгенерированные контуры редактируются перед планированием лечения13,20. Тем не менее, качество автоконтурирования на основе глубокого обучения таково, что в будущем мы ожидаем изменить эти подходы к планированию на одноэтапный процесс. Этот протокол ориентирован на одноэтапное планирование.
На рисунке 1 показан общий рабочий процесс создания плана лучевой терапии с использованием RPA, а более подробная информация о различных задачах приведена в таблице 1. Таким образом, RPA требует заполненного запроса на обслуживание (который включает в себя такую информацию, как назначение дозы и подход к лечению) и индивидуальное компьютерное сканирование пациента. Заявка на обслуживание должна быть принята онкологом-радиологом. Компьютерная томография должна быть принята клиническим пользователем, чтобы убедиться, что расчеты RPA выполняются на правильном компьютерном томографе. После того, как RPA сформирует план, его следует загрузить с веб-сайта RPA и импортировать в систему планирования лечения пользователя, где должна быть пересчитана доза. Это необходимо, потому что RPA рассчитывает планы на стандартных балках (доступных для нескольких моделей линейных ускорителей), которые могут не точно совпадать с характеристиками балки локального линейного ускорителя. Такой подход был использован для снижения стоимости, хотя может потребоваться кастомизация, если местные балки значительно отличаются от наших стандартных балок. Пользователи (планировщик лечения и онколог-радиолог) могут вносить изменения в план. Затем план вводится в типичный клинический рабочий процесс пользователя, включая локальные проверки качества. Наконец, пользователь должен загрузить свой окончательный (пересчитанный и отредактированный) план на веб-сайт RPA, где выполняется автоматическое сравнение между окончательным планом и планом RPA. Это полезная проверка целостности данных в общем рабочем процессе.
Рисунок 1: Рабочий процесс автоматизированного планирования лечения. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
| Задача # на рисунке 1 | Описание задачи | Местоположение | |||
| Просмотр статуса всех пациентов в прошлом | Главная панель управления | ||||
| 1 | Заполните заявку на обслуживание на сайте RPA | Панель управления запросами на обслуживание | |||
| 2 | Загрузите снимок компьютерной томографии на сайт RPA | Приборная панель компьютерной томографии | |||
| 3 | Проверка состояния пациента | Главная панель управления | |||
| Просмотр и скачивание плана RPA | Главная панель управления | ||||
| 4 | Импортируйте план в TPS пользователя, пересчитайте дозу и внесите необходимые изменения | Локальный TPS | |||
| 5, 6 | Загрузите окончательный план на сайт RPA | Панель сравнения планов | |||
| Просмотрите автоматическое сравнение Окончательного плана и Плана RPA | Панель сравнения планов | ||||
| – | План входит в рутинный клинический рабочий процесс пользователя, включая регулярный контроль качества | Собственное программное обеспечение пользователя | |||
Таблица 1: Обзор задач, связанных с созданием плана RPA с использованием 1-шагового рабочего процесса. Локальный TPS: система планирования лечения пользователя.
В данной статье описывается этот одноэтапный рабочий процесс для RPA и приводятся некоторые примеры результатов процесса планирования лечения. В настоящее время этот одноэтапный рабочий процесс используется в следующих подходах к планированию: i) Четырехполевые планы лечения пациентов с раком шейки матки (апертуры на основе костных ориентиров); ii) четырехпольные планы лечения пациентов с раком шейки матки (апертуры поля на основе мягких тканей); iii) тангенциальные и надключичные планы лечения пациентов с грудной стенкой; iv) Планы лечения всего мозга.
Protocol
Representative Results
Discussion
В этом протоколе описаны этапы создания автоматизированных планов лечения с использованием RPA. Ключевыми этапами являются (1) загрузка и утверждение КТ, (2) заполнение и утверждение запроса на обслуживание, (3) загрузка и импорт плана в TPS пользователя и пересчет дозы и редактирование плана, и (4) загрузка окончательного отредактированного плана для сравнения с планом RPA. Порядок утверждения КТ и утверждения запроса на обслуживание взаимозаменяемы. Некоторые планы, в частности, планы дуговой терапии с модуляцией объема для рака головы и шеи, а также рака шейки матки, создаются в ходе двухэтапного процесса, в котором дополнительные взаимодействия с пользователем, а контуры и планы генерируются отдельно. В целом, однако, процессы похожи, и мы ожидаем, что эти передовые подходы к планированию лечения могут быть изменены на одноэтапный процесс в будущем. Общую клиническую приемлемость, которую можно ожидать от этих инструментов, а также от инструментов, которые находятся в стадии разработки для будущих версий, можно найти в наших опубликованных работах 10,12,14,15,16,17,18,19,20,21,22.
Эти инструменты имеют ряд ограничений, как описано в нашей предыдущей работе, в которой изучался риск при использовании помощника по радиационному планированию в клиниках лучевой терапии 9,23. Несмотря на то, что пользовательский интерфейс был разработан таким образом, чтобы свести к минимуму риск неправильного ввода данных, таких как компьютерные томографы, которые не имеют достаточного поля зрения, или ошибки при ручном вводе данных, вероятность ошибки все же существует. В частности, беспокойство вызывают человеческий фактор, предвзятость автоматизации (чрезмерная зависимость от результатов) и ошибки программного обеспечения9. Тщательный просмотр и, при необходимости, редактирование автоматически сгенерированных контуров и планов имеет важное значение для безопасного использования Radiation Planning Assistant. В целом, эти обзоры должны следовать тому же процессу, что и при рассмотрении клинических планов физиками и онкологами-радиологами, хотя это может быть подкреплено использованием контрольных списков, разработанных специально для дополнения ручного обзора автоматически созданныхпланов лечения.
Бывают ситуации, когда RPA не сможет сгенерировать план и сообщит об ошибке пользователю. Почти во всех случаях это будет вызвано тем, что RPA обнаружит неожиданные данные, которые она не может интерпретировать, например, недостаточное поле зрения или положение пациента (например, если КТ-снимок был сделан с использованием протокола лежа на спине, но с пациентом в положении лежа). Пользователь может определить проблему в зависимости от того, где была обнаружена ошибка. В большинстве случаев эти ситуации можно исправить только с помощью ручного контурирования или планирования. Команда RPA также может просмотреть файлы журналов, чтобы выявить проблему.
RPA была спроектирована и разработана специально для того, чтобы предоставить высококачественные инструменты автоконтурирования и автопланирования клиникам с ограниченными ресурсами, особенно в странах с низким и средним уровнем дохода. В настоящее время мы прорабатываем нормативные, юридические и административные процессы, которые приведут к клиническому использованию RPA. Как только это произойдет, мы планируем тщательно отслеживать использование и вносить изменения в рабочий процесс или пользовательские интерфейсы в ответ на любые непредвиденные риски или другие отзывы пользователей. Цель состоит в том, чтобы предоставить инструменты, поддерживающие услуги лучевой терапии, чтобы местные клинические бригады могли масштабировать свои усилия, улучшая доступ к высококачественным и последовательным планам лучевой терапии. Мы надеемся, что это приведет к улучшению результатов лечения пациентов, а также к сокращению времени ожидания. Несмотря на то, что текущий портфель ограничен раком головы и шеи, молочной железы и шейки матки, а также облучением всего мозга при метастазах в головном мозге, мы работаем над дополнительными методами лечения, которые будут включены в будущие версии17, 18, 19.
Disclosures
The authors have nothing to disclose.
Acknowledgements
Эта работа финансировалась Национальным институтом рака и Wellcome Trust, при дополнительной поддержке Varian Medical Systems. Наша нынешняя система использует Eclipse для планирования лечения. Мы также хотели бы поблагодарить Энн Саттон (Ann Sutton) из редакционной службы Исследовательской медицинской библиотеки Онкологического центра им. М. Д. Андерсона при Техасском университете. В дополнение к институциональному финансированию разработки RPA, наши исследовательские группы получают финансирование от Техасского института профилактики и исследования рака (CPRIT) и Фонда инноваций в области онкологической информатики, Онкологического центра им. М. Д. Андерсона при Техасском университете.
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).
