Prediction of Multileaf Collimator Leaf Positions Using a Hybrid BKA– Neural Network Model for Radiotherapy Delivery Accuracy

La radioterapia es una herramienta poderosa para tratar el cáncer, utilizando haces de alta energía para destruir las células malignas mientras se preserva el tejido sano. Para que este tratamiento sea preciso, los médicos utilizan un dispositivo llamado colimador de hojas múltiples, que actúa como un obturador dinámico compuesto por muchas hojas metálicas delgadas. Estas hojas se mueven hacia adentro y hacia afuera para dar forma al haz, tallando una trayectoria personalizada que coincida exactamente con la forma del tumor. El objetivo es entregar una dosis letal al cáncer mientras se dejan los órganos circundantes intactos. Sin embargo, la maquinaria no es perfecta. Al igual que un obturador mecánico podría atascarse o retrasarse ligeramente, estas hojas metálicas a veces pueden moverse a una posición que está una fracción de milímetro alejada de donde el ordenador las planificó. En el mundo de la radiación, incluso un error minúsculo de un milímetro puede cambiar la dosis que recibe el paciente, reduciendo potencialmente la efectividad del tratamiento o dañando el tejido sano. Debido a esto, asegurar que las hojas estén en el lugar exacto en el momento exacto es un desafío crítico para los físicos médicos.

Los investigadores han intentado durante mucho tiempo predecir estos movimientos diminutos antes de que ocurran, con la esperanza de corregirlos por adelantado. Han probado varios métodos informáticos, incluyendo las redes neuronales estándar, que son sistemas modelados según la capacidad del cerebro humano para aprender de los patrones. Aunque estos sistemas pueden aprender, a menudo luchan por ser tanto rápidos como precisos, especialmente cuando intentan predecir la posición de cada una de las hojas en una máquina compleja. Un nuevo estudio de Jun Lv y sus colegas introduce un enfoque diferente que combina una red neuronal estándar con un método de búsqueda inspirado en la naturaleza llamado Algoritmo del Milano Negro (Black-winged Kite Algorithm). Este algoritmo imita el comportamiento de caza de un ave de presa específica, utilizando sus patrones de búsqueda eficientes para encontrar la mejor configuración inicial para el modelo informático. Al utilizar este método, los investigadores pretendían crear un sistema que pudiera predecir la ubicación exacta de las hojas con una precisión y velocidad mucho mayores que los métodos anteriores.

El equipo probó su nuevo modelo utilizando datos de cincuenta planes de tratamiento de cáncer del mundo real, que cubrían tumores en la cabeza y el cuello, el pecho y el abdomen. Alimentaron al ordenador con trece piezas diferentes de información de los registros de la máquina, como el ángulo de la fuente de radiación, la velocidad de las hojas y las posiciones planificadas. El objetivo era ver si el modelo podía adivinar dónde terminarían realmente las hojas cuando la máquina disparara. Los resultados fueron sorprendentes. El nuevo modelo, al que llaman BKA-BPNN, predijo las posiciones de las hojas con un error promedio de solo 0,0026 milímetros. Para poner esto en perspectiva, el error fue tan pequeño que la posición predicha era casi indistinguible de la posición real, con una correlación tan alta que era casi perfecta. Cuando lo compararon con las redes neuronales estándar más antiguas, el nuevo modelo redujo el error en casi un 90 por ciento. También funcionó significativamente mejor que otros métodos avanzados que utilizan diferentes técnicas de optimización, reduciendo el error en casi un 40 por ciento en comparación con la siguiente mejor alternativa.

Más allá de ser más preciso, el nuevo modelo también era mucho más rápido. Mientras que algunos sistemas competidores tardaban más de una hora en procesar los datos, el modelo del Milano Negro completó su tarea en menos de un minuto. Esta velocidad es crucial porque significa que el sistema podría utilizarse potencialmente en tiempo real o justo antes de un tratamiento para comprobar errores. Los investigadores descubrieron que el modelo funcionaba de manera constante y bien a través de diferentes números de hojas y diferentes tipos de planes de tratamiento, lo que sugiere que es una herramienta robusta que no necesita ser reentrenada para cada hoja o cada nuevo paciente. En contraste, los modelos antiguos a menudo tenían dificultades cuando se les pedía predecir hojas para las que no habían sido entrenados específicamente, requiriendo un entrenamiento separado para cada una. El nuevo sistema las manejó todas con el mismo alto nivel de precisión.

El estudio también analizó cómo estas predicciones podrían mejorar la seguridad de la radioterapia. Actualmente, los médicos suelen verificar el rendimiento de la máquina una vez finalizado el tratamiento, lo cual es demasiado tarde para corregir cualquier error. Este nuevo método ofrece una forma de predecir y corregir errores antes de que el haz se encienda. Al identificar posibles desviaciones tempranamente, el sistema podría ayudar a asegurar que la dosis administrada coincida con la dosis planificada, protegiendo a los pacientes de una exposición no deseada. Los investigadores señalaron que, si bien su modelo es altamente efectivo, fue probado con datos de dos tipos específicos de máquinas de radiación. Sugieren que el trabajo futuro debería incluir datos de una mayor variedad de máquinas para asegurar que el modelo funcione en todas partes. Por ahora, sin embargo, el estudio demuestra que, al combinar un algoritmo de búsqueda inteligente con una red de aprendizaje, es posible predecir los movimientos de estos dispositivos médicos críticos con un nivel de precisión que antes era inalcanzable, ofreciendo un paso prometedor para hacer que el tratamiento del cáncer sea más seguro y efectivo.