Artificial intelligence for the development of new methods of out-of-field doses calculation for the optimization of radiotherapy and radio-immunotherapy treatments in oncology
Application de l’intelligence artificielle au développement de nouvelles méthodes de calcul de doses à distance pour l’optimisation des traitements par radiothérapie et radio-immunothérapie en cancérologie
Résumé
Doses deposited outside the irradiation field, an unavoidable fact of any external beam radiotherapy treatment, seem to favor the development of second cancers and hematological toxicities, such as radiation-induced lymphopenia. Understanding the prognostic factors of these iatrogenic effects is essential to move to more personalized patient management. This is all the more important now that the combination of immunotherapy and radiotherapy is emerging as a very promising approach for certain cancer diseases. The aim of the work presented in this thesis is to create a tool for systematically calculating out-of-field doses for all patients undergoing radiotherapy treatment.Initially in the bibliographic study, we identified that the main methods currently developed in the literature for out-of-field dose estimation - Monte Carlo simulations and analytical methods - are incompatible with the requirements of a routine clinical application, being either too demanding in computing resources or confined to specific treatment configurations.We set out to develop a fast Deep Learning method for out-of-field dose estimation using only easily and systematically accessible data in radiotherapy. We developed a preprocessing pipeline and used a 3D U-Net neural network under supervised learning to demonstrate the feasibility of such an approach. In our algorithm, only the in-field dose map and the patient's whole-body binary mask are required to extend the dose to out-of-field areas. The FCCSS pediatric database consisting of 3204 whole-body dose maps obtained by analytical methods was used. The ease of access to the data needed to estimate the out-of-field dose, combined with an average inference time of 2.6 seconds and a good ability to predict the dose on unknown and known configurations (average RMSD obtained of 0.39 ± 0.25 cGy/Gy), although reduced for the most atypical treatment configurations, demonstrate the relevance of this approach for estimating the whole-body dose in clinical routine.Finally, we developed an experimental set-up for out-of-field dose measurements, for comparison with neural network predictions. To this end, we calibrated radiophotoluminescent dosimeters. We investigated the homogeneity of the detector response in terms of background noise and signal, the conversion of the measured signal into absorbed dose, the dependence to energy and dose rate, and the linearity of the response as a function of dose. We then deduced the appropriate correction coefficients. We then carried out 10 irradiations, in which RPLs were placed in an anthropomorphic phantom. Fractions of clinical treatment plans were delivered to the phantom, in parallel with the out-of-field dose estimations by our model. An average RMSD of 0.94 ± 0.24 cGy/Gy, in line with the literature and results previously obtained by the network, suggests that the algorithm could ultimately be extended to modern linear accelerators and treatments, notably with intensity modulation, encouraging this innovative approach. The same limitations were also observed, mainly a difficulty for the algorithm in predicting very low dose values far from the field. Applying our solution to large cohorts of patients, and using it prospectively in routine clinical practice, could help identify the causes of radiation-induced toxicities, with a view to preventing them.
Les doses déposées en dehors du champ d'irradiation, inévitable constat pour tout traitement de radiothérapie externe, semblent favoriser le développement de seconds cancers et de toxicités hématologiques, telles que la lymphopénie radio-induite. Comprendre les facteurs pronostiques de ces effets iatrogènes est essentiel pour envisager une prise en charge plus personnalisée du patient. Cela prend une importance encore accrue à présent que l'association de l'immunothérapie et des traitements de radiothérapie se profile comme une voie très prometteuse pour certaines pathologies cancéreuses. Le travail présenté dans cette thèse a pour objectif la création d'un outil permettant le calcul des doses à distance de façon systématique pour tous les patients pris en charge pour un traitement de radiothérapie externe.Initialement dans l'étude bibliographique, nous avons identifié que les principales méthodes développées pour l'estimation de la dose à distance - les simulations Monte Carlo et les méthodes analytiques - sont incompatibles avec les exigences d'une application en routine clinique, étant soit trop exigeantes en ressources de calcul, soit confinées à des configurations spécifiques de traitement.Nous avons donc entrepris le développement d'une méthode d'estimation de la dose à distance rapide par apprentissage profond utilisant uniquement des données facilement et systématiquement accessibles en radiothérapie. Nous avons développé une architecture de pré-traitement des données et utilisé un réseau de neurones 3D U-Net sous apprentissage supervisé pour démontrer la faisabilité d'une telle approche. Dans notre algorithme, seuls la carte de dose dans le champ et le masque binaire du corps entier du patient sont nécessaires pour étendre la dose aux zones hors-champ. La base de données pédiatrique FCCSS, constituée de 3204 cartes de dose corps entier obtenues par méthode analytique, a été utilisée pour l'entraînement et l'évaluation des performances du modèle. La disponibilité aisée des données nécessaires pour l'estimation de la dose à distance, couplée à un temps d'inférence moyen de 2,6 secondes ainsi qu'à une bonne capacité à prédire la dose aussi bien sur des configurations inconnues que connues (RMSD moyen obtenu de 0,39 ± 0,25 cGy/Gy), certes réduite pour les configurations de traitement les plus atypiques, démontrent la pertinence de cette approche pour l'estimation de la dose au corps entier en routine clinique.Finalement, nous avons mis en place un montage expérimental permettant la réalisation de mesures de doses à distance, en vue d'une comparaison avec les prédictions du réseau de neurones. Pour ce faire, un étalonnage de dosimètres radiophotoluminescents a été réalisé, au cours duquel nous avons étudié l'homogénéité de réponse en termes de bruit de fond et de signal, le passage du signal mesuré à une dose absorbée, la dépendance énergétique et au débit de dose, et la linéarité de la réponse avec la dose. Nous en avons déduit les coefficients de correction appropriés. Ensuite, nous avons réalisé 10 irradiations, lors desquelles des RPL ont été placés dans un fantôme anthropomorphique. Des fractions de plans de traitements cliniques ont été délivrées sur le fantôme, en parallèle de l'estimation de la dose à distance par notre modèle. Un RMSD moyen de 0,94 ± 0,22 cGy/Gy en bonne cohérence avec la littérature et les résultats précédemment obtenus par le réseau, suggère que l'algorithme pourrait être à terme généralisé à des accélérateurs et des traitements modernes, notamment à modulation d'intensité, encourageant cette approche inédite. Les mêmes limites ont également été observées, principalement une difficulté pour l'algorithme à prédire les très faibles doses loin du champ. L'application de notre solution sur des grandes cohortes de patients, ainsi que son utilisation prospective en routine clinique, pourrait permettre d'identifier les causes de toxicités radio-induites, afin de les prévenir.
| Origine | Version validée par le jury (STAR) |
|---|