AI bij de radiotherapie bestralingsplanning

Artificial intelligence (AI) speelt een steeds grotere rol in de radiotherapie, met name in de bestralingsplanning. Door de combinatie van gestandaardiseerde processen en grote hoeveelheden medische data is dit vakgebied bij uitstek geschikt voor AI-toepassingen. Moderne deep learning technieken maken het mogelijk om tijdrovende stappen, zoals het intekenen van organen en het opstellen van bestralingsplannen, grotendeels te automatiseren. Hierdoor kan de planningsduur aanzienlijk worden verkort en neemt de consistentie toe. Ervaringen laten zien dat AI plannen vaak direct bruikbaar zijn of een uitstekend startpunt vormen, met soms zelfs een lagere stralingsbelasting voor gezond weefsel. Tegelijkertijd vraagt de implementatie en validatie van deze technologie om zorgvuldigheid en expertise, waardoor AI op dit moment vooral leidt tot een verschuiving van werkzaamheden. Desondanks toont de technologie nu al haar meerwaarde, en naar verwachting zal deze in de toekomst alleen maar verder toenemen.

De opmars van AI in de radiotherapie

De radiotherapie is van oudsher een voorloper in de ontwikkeling en toepassing van medische technologie, zowel op het gebied van hardware als software. De geprotocolleerde en gestandaardiseerde omgeving, de inzet van complexe technologie zoals de lineaire versneller, en de combinatie met grote hoeveelheden data die voor en tijdens de behandeling worden gegenereerd, maken het bij uitstek een vakgebied met veel kansen voor de inzet van AI. In de radiotherapie wordt AI dan ook al vele jaren met succes toegepast. Voorbeelden hiervan zijn het genereren van synthetische beelddata, het automatisch intekenen van organen en tumoren, en het automatiseren van de bestralingsplanning [1]. Dit wordt mede bevestigd door het snel groeiend aantal commerciële applicaties in de radiotherapie gebaseerd op deep learning algoritmes (Figuur 1).

Beeldvorming en AI intekening

Het startpunt van de bestralingsplanning is het verkrijgen van 3D beeldvorming ter plaatse van het doelgebied. Het merendeel van de bestralingsplannen wordt nog altijd gemaakt op een radiotherapie plannings-CT, omdat de verzwakking van de radiotherapeutische röntgenstraling hierop nauwkeurig kan worden berekend. Steeds vaker vindt de bestralingsplanning echter ook plaats op een Cone-Beam CT, die beschikbaar is op het bestralingstoestel, of op een MRI, zoals bij de MR-linac, het apparaat dat een lineaire versneller combineert met een MRI scanner [2].

Op de beeldvorming worden de tumor, (electieve) kliergebieden, en omliggende kritieke organen nauwkeurig ingetekend door de radiotherapeut en de Medisch Beeldvormings- en Bestralingsdeskundige (MBB-er). Een correcte intekening is namelijk essentieel voor een goede bestralingsplanning. Om deze intekening te ondersteunen wordt gebruik gemaakt van secundaire (diagnostische) beeldvorming zoals bijvoorbeeld MRI, of PET-CT, die gefuseerd wordt met de radiotherapie plannings-CT. Het intekenen van organen en tumor(en) is een tijdrovende klus en kan zo enkele uren duren. Bij mondkeelholtekanker bijvoorbeeld kan het aantal regions-of-interest dat ingetekend moet worden met gemak de 25 passeren (Figuur 2). 

Algoritmes om deze intekeningen op de beeldvorming te automatiseren bestaan al sinds jaar en dag en waren tot voor kort voornamelijk model-based, waarbij een initiële standaard geometrie wordt geüpdatet aan de hand van intensiteits- en smoothness constraints, of atlas-based, waarbij een verzameling van voorgaande intekeningen wordt gematched met de actuele casus. De performance van de modellen werd echter veel beter door de inzet van convolutionele neurale netwerken (CNN), waarbij het U-NET – een CNN met encoder-decoder structuur en skip-connecties – voor de grootste doorbraak zorgde vanwege de mogelijkheid om gedetailleerde anatomische representaties te leren uit grote datasets [3].

De AI intekening van een volledige CT scan bij een patiënt met mondkeelholtekanker duurt sindsdien nog maar enkele seconden. De MBB-er hoeft de contouren alleen nog maar te controleren en indien nodig te corrigeren. Automatisch intekenen van doelgebieden met AI gebeurt momenteel nog in mindere mate – tumoren tussen patiënten vertonen veel meer variatie dan omliggende organen en om betrouwbare modellen te ontwikkelen is veel meer trainingsdata vereist – maar ook dit zal ongetwijfeld toenemen in de komende jaren.

Bestralingsplanning middels AI

De MBB’er maakt een bestralingsplan dat de door de radiotherapeut voorgeschreven dosis op een zo gunstig mogelijke wijze aan de patiënt afgeeft. De tumor en de electieve kliergebieden krijgen een hoge dosis, en de omliggende kritieke organen worden zoveel mogelijk ontzien. Doordat het bestralingstoestel tijdens het stralen roteert om de patiënt, en hierbij continu plan parameters zoals de veldvorm en intensiteit varieert, zijn er veel vrijheidsgraden (Figuur 3). De optimale plan parameters worden gevonden middels een inverse optimalisatie van een objective-lijst; een soort wensenlijst van hoge dosis op de tumor, en lage dosis op de kritieke organen. Op het bestralingsplan dat hieruit volgt wordt door de arts en MBB-er geïtereerd, door het aanpassen van de objectives en de bijbehorende gewichten. Dit proces vereist veel ervaring en is enorm arbeidsintensief, en kan bij complexe casussen – zoals tumoren in het hoofd-hals gebied – tot wel een dag duren.

Automatisering van de bestralingsplanning krijgt al lange tijd veel aandacht. In recente jaren komen daar steeds meer AI oplossingen bij. Bij de meest voorkomende methode wordt gebruik gemaakt van een tweetrapsraket: allereerst wordt op basis van de beeldvorming en de intekeningen middels een deep learning model (wederom vaak een U-NET) een 3D dosis voorspeld – de zogenaamde prediction-stap. Deze voorspelde dosis is echter nog niet afstraalbaar op het bestralingstoestel, er zijn immers nog geen plan parameters (veldvormen en intensiteiten). Om tot een afstraalbaar plan te komen, worden de plan parameters geoptimaliseerd zodanig dat de resulterende 3D dosisverdeling, die nu wel afstraalbaar is, zo goed als mogelijk lijkt op de voorspelde dosis – de zogenaamde mimicking-stap [4]. Het gehele proces van prediction en mimicking duurt ongeveer 15 minuten (Figuur 4).

Ervaringen met AI bestralingsplanning

In het LUMC is met AI bestralingsplanning gebaseerd op prediction+mimicking de afgelopen jaren ruime ervaring opgedaan, zowel bij mondkeelholtekanker als bij endeldarmkanker. Voor endeldarmkanker bleken de AI bestralingsplannen direct klinisch inzetbaar en werd tevens een verlaging van de dosis in de blaas en de darmen gezien ten opzichte van de conventionele planning. Dat betekent dat er sinds de introductie van deze technologie mogelijk ook iets minder bijwerkingen te verwachten zijn voor de patiënt.

Voor mondkeelholtekanker, een zeer complex doelgebied met veel omliggende kritieke organen, bleken de AI plannen een goed startpunt om daarna het bestralingsplan te verfijnen door de MBB’er. De totale tijd voor de bestralingsplanning werd daarmee ongeveer gehalveerd. Tegelijkertijd werd gemiddeld genomen een dosisreductie van een paar Gray gezien in de glottis, larynx en mondholte. Ook dit zou mogelijk kunnen leiden tot een verlaging van de kans op bijwerkingen (Figuur 5).

Naast de tijdwinst en de bescheiden maar aantoonbare dosisreductie, zorgt het gebruik van AI bij de bestralingsplanning voor meer consistentie. Voor het maken van complexe bestralingsplannen is ervaring namelijk essentieel, en dit kan leiden tot variatie in de dosisverdelingen die door planners gegenereerd worden.

Er zijn ook kanttekeningen te plaatsen bij het gebruik van AI bestralingsplanning. Het valideren van de modellen, de klinische implementatie, en het monitoren tijdens het gebruik, vraagt een behoorlijke tijdsinvestering met een belangrijke rol voor de klinische fysica. Dit moet tevens gebeuren voor alle afzonderlijke modellen (vaak opgesplitst per doelgebied en per dosisniveau). De introductie van AI bestralingsplanning is dus ook deels een verschuiving van de tijdsinvestering van de laborant naar de klinisch fysicus. Voor een eerlijke vergelijking dient de totale tijdsinvestering van alle betrokkenen te worden meegenomen. Echter zal ook dit proces van kwaliteitsborging efficiënter worden in de toekomst, en in die zin kan de huidige tijdsinvestering in deze nieuwe technieken als een investering in de toekomst worden gezien. 

De AI bestralingsplanningstechniek is nog volop in ontwikkeling. Een upgrade van de software kan leiden tot de noodzaak om modellen opnieuw te valideren of zelfs te tunen (updaten). Ook kunnen landelijke en internationale behandelrichtlijnen veranderen – zo is er een verandering aanstaande van de voorgeschreven dosis bij mondkeelholtekanker – waarna het klinisch geïmplementeerde model plots niet meer inzetbaar is. Daarnaast kunnen er instituut gebonden voorkeuren zijn waarop de modellen niet zijn ingericht. Tot slot moeten fabrikanten voor ieder model voldoen aan regelgeving (o.a. de AI Act [6]) en dit kan als een rem worden ervaren om nieuwe of specifieke modellen te ontwikkelen. Dit zijn zaken die de AI adoptie deels vertragen.

Ontwikkelingen in de AI bestralingsplanning

In de toekomst zullen er steeds meer indicaties komen waarvoor AI bestralingsplanning beschikbaar zal zijn. Op een fundamenteel niveau vindt er volop onderzoek plaats naar verbeteringen van de technologie, bijvoorbeeld naar de factoren die van wezenlijk belang zijn voor een accurate, robuuste en efficiënte dosispredictie [7]. Tevens worden nieuwe objective-functies ontworpen voor het AI model die klinische plan evaluatie parameters meenemen en waardoor de dosispredictie significant wordt verbeterd [8]. Met dergelijke technieken wordt het in de toekomst mogelijk om zelfs voor complexe doelgebieden zoals mondkeelholtekanker het AI bestralingsplan direct te accepteren. 

Sinds de komst van moderne bestralingstoestellen is een beweging in gang gezet om het bestralingsplan gedurende de behandeling, dagelijks, aan te passen naar de actuele anatomie van de patiënt, ook wel Online Adaptieve Radiotherapie genaamd (OART). Dit kan leiden tot margereductie met lagere dosis in omliggende organen en minder bijwerkingen tot gevolg [9]. Het intekenen en maken van het bestralingsplan dient daarbij enorm snel te gebeuren, de patiënt ligt immers te wachten op de behandeltafel. Directe planparameter voorspelling van veldvormen en intensiteiten, in plaats van de tweetrapsraket van dosispredictie en mimicking, lijkt hierbij noodzakelijk om het hele proces tot in de orde van een minuut te reduceren. Dat is op dit moment nog een utopie, maar in de toekomst mogelijk realiteit.