🔬 physics

One-for-All Adaptive Radiotherapy Planning Agent: A Foundation Framework for Daily CBCT-guided Radiotherapy

Cet article présente l'« Agent de planification de radiothérapie adaptative One-for-All », un cadre de modèle de fondation unifié qui génère de manière autonome des plans de radiothérapie adaptative en ligne, cliniquement acceptables et spécifiques au traitement, à partir de scanners CBCT quotidiens en moins de deux minutes pour divers types de cancers, tout en maintenant un mécanisme de surveillance humaine dans la boucle.

Auteurs originaux : Shaoyan Pan, Kirk Jon Luca, Yuan Gao, Shansong Wang, Mingzhe Hu, Ryan Sanford, Mojtaba Safari, Justin Roper, Zhen Tian, Tonghe Wang, Xiaofeng Yang

Publié 2026-07-17

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Shaoyan Pan, Kirk Jon Luca, Yuan Gao, Shansong Wang, Mingzhe Hu, Ryan Sanford, Mojtaba Safari, Justin Roper, Zhen Tian, Tonghe Wang, Xiaofeng Yang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de toucher une cible mouvante avec un lance-pierre. Dans le monde du traitement du cancer, cette cible est une tumeur, et le lance-pierre est un faisceau de radiations. L'objectif est de bombarder la tumeur avec suffisamment d'énergie pour la détruire tout en évitant soigneusement les organes sains à proximité, comme un chirurgien essayant de retirer une écharde sans entamer la peau. Pendant des décennies, les médecins ont planifié ces attaques en utilisant un « instantané » unique du corps du patient pris avant le début du traitement. Mais voici le problème : les corps ne sont pas des statues. Les tumeurs rétrécissent, les organes se déplacent et les patients perdent du poids pendant les semaines de traitement. Au moment où la radiation est réellement administrée, l'« instantané » peut être erroné, ce qui signifie que le faisceau pourrait manquer la cible ou frapper ce qu'il ne devrait pas.

Pour corriger cela, les médecins utilisent une technique appelée « radiothérapie adaptative », qui revient à prendre une nouvelle photo juste avant chaque tir pour ajuster la visée. Cependant, le faire manuellement est un cauchemar. Cela nécessite une équipe d'experts — médecins, physiciens et techniciens — qui doivent passer des heures chaque jour à redessiner les cartes du corps et à recalculer la trajectoire du faisceau. C'est si lent et épuisant que la plupart des hôpitaux ne peuvent pas le faire quotidiennement, laissant les patients avec des plans qui pourraient être légèrement imprécis. Ce document présente un nouveau type d'assistant numérique, un « Agent IA », qui agit comme un copilote super rapide et super intelligent. Il peut regarder la photo quotidienne, comprendre ce qui a changé et redessiner instantanément tout le plan de bataille en moins de deux minutes, rendant les ajustements quotidiens possibles pour tous.

L'Agent « Tout-en-Un » : Votre Copilote de Radiothérapie

Découvrez l'Agent de Planification de Radiothérapie Adaptative « Tout-en-Un » (ou A-RPA pour plus court). Considérez-le comme un couteau suisse numérique hautement qualifié, conçu spécifiquement pour le traitement par radiation du cancer. Par le passé, si un médecin voulait ajuster un plan de radiation parce que l'anatomie d'un patient avait changé, il devait exécuter une série de processus distincts et lents : d'abord, il devait corriger la radiographie quotidienne floue pour qu'elle ressemble à un scanner CT clair ; ensuite, il devait tracer manuellement la tumeur et les organes ; puis, il devait calculer où irait la radiation ; et enfin, il devait vérifier si le nouveau plan était sûr. C'était comme essayer de construire une maison en demandant à une personne de poser les briques, à une autre de peindre et à une troisième d'installer le toit, chacune attendant que la précédente ait terminé.

Ce nouvel Agent change la donne en faisant tout cela à la fois. Il est construit sur un « modèle de fondation », qui est comme un cerveau super intelligent ayant déjà appris les règles de l'anatomie et de la radiation à partir de milliers d'exemples. Lorsqu'un patient entre dans la salle de traitement, la machine prend une radiographie 3D rapide (appelée CBCT) de son corps. L'Agent demande ensuite au médecin : « L'ancien plan est-il toujours valable ? »

Si le médecin dit : « Oui, la tumeur n'a pas beaucoup bougé », l'Agent vérifie rapidement l'ancien plan par rapport à la nouvelle radiographie et dit : « Tout est en ordre, on y va ». Mais si le médecin dit : « Non, la tumeur a bougé », l'Agent ne se contente pas de deviner ; il passe à l'action. Il crée instantanément un scanner CT « synthétique » de haute qualité à partir de la radiographie floue, redessine les contours de la tumeur et des organes sensibles, et prédit exactement où la dose de radiation atterrira. Il fait tout cela en moins de deux minutes.

Comment la magie opère (sans baguette magique)

Le document explique qu'il ne s'agit pas simplement d'un grand programme faisant tout aveuglément. C'est plutôt comme un chef d'orchestre dirigeant un orchestre. L'« Agent » est le chef d'orchestre, écoutant les besoins du médecin et décidant quels outils utiliser.

L'outil de synthèse : Si la radiographie quotidienne est trop floue pour voir les détails, l'Agent utilise une IA générative (comme un artiste numérique) pour peindre un scanner CT clair et détaillé basé sur la radiographie floue.
L'outil de recalage : C'est comme une superposition de cartes intelligente. Il prend l'ancien plan (d'avant le début du traitement) et l'étire ou le courbe pour l'adapter à la forme actuelle du corps du patient.
L'outil de segmentation : C'est la fonction de dessin automatique. Au lieu qu'un humain passe une heure à tracer la tumeur, l'IA dessine les nouveaux contours en quelques secondes.
L'outil de dose : Il prédit exactement comment le faisceau de radiation va se disperser à travers la nouvelle forme du corps.

Ce qui rend cela spécial, c'est que tous ces outils sont entraînés ensemble. Habituellement, si vous entraînez un outil pour créer une belle image, il se peut qu'il ne soit pas bon pour mesurer des choses. Mais parce que cet Agent a été entraîné pour faire toutes les étapes ensemble, la « belle image » qu'il crée est en réalité parfaite pour l'étape suivante de la mesure de la dose. C'est comme un chef qui non seulement coupe les légumes parfaitement, mais sait aussi exactement combien de temps les cuire, garantissant ainsi que le plat final soit délicieux.

Les résultats : Rapide, précis et sûr

Les chercheurs ont testé cet Agent sur une grande variété de patients, incluant ceux souffrant de cancers de la tête, du cou, des poumons, de l'abdomen et de la prostate. Ils ont utilisé à la fois la radiation photonique standard (le type le plus courant) et la thérapie par protons (un type plus précis et de haute technologie).

Les résultats étaient impressionnants. Lorsque l'Agent créait un nouveau plan, la dose de radiation qu'il prédisait était incroyablement proche des plans de référence réalisés par des experts humains.

Pour la tumeur, la différence de dose de radiation était généralement de moins de 2,0 Gy (une unité de dose de radiation) par rapport au plan de référence. Dans de nombreux cas, elle était même plus proche, entre 0,5 et 1,8 Gy.
Les plans étaient si bons que les experts humains les ont examinés et ont trouvé que 93 % à 99 % des plans photoniques et 94 % à 96 % des plans de protons étaient cliniquement acceptables.
Mieux encore, dans environ 34 % à 50 % des cas de photons et 28 % à 54 % des cas de protons, le plan de l'Agent était en fait meilleur que le plan original, offrant une meilleure protection des organes sains ou une meilleure couverture de la tumeur.

Le document précise avec prudence que ce n'est pas une baguette magique qui remplace les médecins. L'Agent a toujours besoin d'un humain pour examiner le plan et donner le « feu vert » final. C'est un système « human-in-the-loop » (l'humain dans la boucle), ce qui signifie que l'IA fait le gros du travail et les calculs, mais le médecin prend la décision finale.

Ce qu'il n'est pas (et ce qu'il ne peut pas encore faire)

Le document est très honnête sur ses limites. L'Agent fonctionne mieux lorsque la radiographie quotidienne est claire. Si la radiographie est pleine d'artefacts (comme des traînées provenant d'implants métalliques) ou si la machine ne scanne pas tout le corps, l'Agent peut avoir des difficultés. Il suggère également que, bien que l'IA prédise très bien la dose, elle ne remplace pas les calculs physiques complexes effectués par le système de planification principal de l'hôpital ; elle agit comme un aperçu rapide et intelligent qui amène le médecin à 90 % du but instantanément.

De plus, le document s'oppose à l'idée qu'il faille un IA différente pour chaque tâche. Ils ont testé cela par rapport à d'autres méthodes qui tentaient de ne faire qu'une seule chose (comme simplement rendre l'image plus claire, ou simplement dessiner les lignes). L'approche « Tout-en-Un » l'a emporté car elle a appris comment toutes les étapes sont connectées. Un outil qui ne fait que créer une belle image peut paraître bon mais échouer à aider le médecin à calculer la dose avec précision. En apprenant tout ensemble, l'Agent garantit que chaque étape soutient la suivante.

La vue d'ensemble

Ce document suggère que nous nous dirigeons vers un avenir où la radiothérapie peut être véritablement « adaptative » chaque jour. Au lieu d'un processus lent et manuel qui prend des heures et n'est effectué que de temps en temps, cet Agent offre un moyen d'ajuster le plan de traitement dans le temps nécessaire pour préparer une tasse de café. Il ne se contente pas d'accélérer les choses ; il rend le traitement plus précis, garantissant que la radiation frappe la tumeur exactement là où elle doit être, à chaque fois, tout en épargnant les tissus sains. Il transforme un puzzle complexe et laborieux en une conversation fluide et intelligente entre le médecin et la machine.

Résumé Technique : Agent de Planification de Radiothérapie Adaptative « One-for-All »

Énoncé du Problème

La radiothérapie adaptative (RTA) vise à délivrer des doses de rayonnement précises en ajustant les plans de traitement aux changements anatomiques quotidiens, tels que la régression tumorale, la déformation des organes ou la perte de poids. Cependant, la pratique clinique actuelle repose sur un seul scanner (CT) pré-traitement, ce qui peut entraîner des décalages entre la dose planifiée et la dose délivrée. Bien qu'une RTA quotidienne puisse atténuer cela, elle reste cliniquement peu pratique en raison d'un flux de travail gourmand en ressources et en main-d'œuvre. Une adaptation quotidienne typique nécessite une prise de décision itérative complexe impliquant de nouvelles imageries, un enregistrement déformable, une re-segmentation des cibles et des organes à risque (OAR), ainsi qu'une ré-optimisation de la dose. Ce processus exige souvent des heures d'intervention d'experts (oncologues radiothérapeutes, physiciens médicaux et dosimétristes), créant un obstacle à une mise en œuvre de routine. Les solutions d'IA existantes traitent des tâches isolées (par exemple, la segmentation ou la prédiction de dose) mais manquent de l'intelligence clinique de haut niveau nécessaire pour orchestrer ces composants en un flux de travail adaptatif cohérent et spécifique au patient, dans les contraintes de temps serrées de la délivrance du traitement.

Méthodologie

Les auteurs proposent l'Agent de Planification de Radiothérapie Adaptative (A-RPA), un système d'IA agentique de bout en bout conçu pour réaliser une planification adaptative en ligne complète et spécifique au traitement, directement à partir du CBCT quotidien, en moins de deux minutes. Le système comprend deux composantes primaires :

Modèle de Fondation Unifié (One-for-All) :
- Architecture : Construit sur un modèle de fondation pré-entraîné (DINOv2) pour la représentation anatomique et un cadre de diffusion latente (Stable Diffusion 3.5) pour les tâches génératives.
- Tâches Centrales : Le modèle unifie quatre fonctions de planification critiques au sein d'un cadre unique :
  - Synthèse CBCT-vers-CT non supervisée : Génère un scanner synthétique (sCT) à partir du CBCT quotidien en utilisant une diffusion latente conditionnée par le texte pour garantir le réalisme anatomique et les caractéristiques pertinentes pour la dose.
  - Enregistrement Multimodal : Effectue un alignement déformable des données de planification antérieures (CT, IRM, PET-CT) sur l'anatomie quotidienne en utilisant un encodeur basé sur DINOv2 avec des adaptateurs 3D.
  - Segmentation : Délimite les cibles tumorales et les OAR sur les images enregistrées ou synthétiques, en adaptant les contours antérieurs à l'anatomie actuelle.
  - Prédiction de Dose : Prédit les distributions de dose 3D conditionnées par l'anatomie synthétisée, les contours mis à jour, ainsi que la dose antérieure et les métadonnées.
- Stratégie d'Entraînement : Le modèle subit un processus d'entraînement en deux étapes. Premièrement, les composantes sont affinées séparément sur de larges jeux de données publics pour des tâches spécifiques. Deuxièmement, l'ensemble du cadre est entraîné conjointement sur une cohorte clinique interne (814 parcours de traitement) en utilisant une stratégie de supervision en cascade. Cela garantit que les représentations en amont (ex: sCT) sont optimisées non seulement pour la fidélité visuelle, mais aussi pour l'utilité en aval pour la segmentation et la prédiction de dose.
Couche d'Orchestration Agentique :
- Contrôleur : Un grand modèle de langage (T5-XXL) agit comme le « cerveau » du système, interprétant les requêtes des cliniciens et gérant le flux de travail.
- Logique de Décision : Au lieu d'un pipeline rigide, l'agent sélectionne dynamiquement la voie appropriée en fonction du scénario clinique et de l'anatomie observée. Il peut choisir entre :
  - Une simple réévaluation du plan (propagation des contours/dose).
  - Un enregistrement multimodal pour une meilleure visualisation.
  - Une re-segmentation sur les images enregistrées.
  - Une replanification complète impliquant la synthèse de sCT, la re-segmentation et la prédiction de dose.
- Humain dans la Boucle (Human-in-the-Loop) : L'agent présente les sorties intermédiaires et finales pour examen par le clinicien, permettant une intervention lors des points de décision critiques avant l'approbation finale.

Contributions Clés

Cadre Unifié : Le premier système intégrant la synthèse, l'enregistrement, la segmentation et la prédiction de dose dans un seul modèle de fondation, permettant une optimisation de bout en bout où les représentations intermédiaires sont adaptées aux tâches cliniques en aval.
Flux de Travail Agentique : Un nouvel agent « humain dans la boucle » qui détermine de manière autonome la voie d'adaptation nécessaire (de la simple réutilisation à la replanification complète) basée sur les changements anatomiques quotidiens, plutôt que d'exécuter une séquence de tâches fixe.
Optimisation Conjointe : Démontre que l'entraînement conjoint de la synthèse et des tâches en aval produit une utilité clinique nettement supérieure (précision de segmentation et de prédiction de dose) par rapport à l'optimisation de ces modules de manière isolée.

Résultats

Le cadre a été évalué sur un ensemble de données diversifiées couvrant des cancers de la tête et du cou, du poumon, de l'abdomen et de la prostate, incluant la thérapie photonique et protonique.

Précision Dosimétrique : L'A-RPA a généré des plans adaptatifs avec une précision cliniquement acceptable. Les erreurs de dose cible (D98) étaient généralement inférieures à 2,0 Gy par rapport aux plans de référence. Pour la thérapie photonique, les erreurs PTV D95 et D98 variaient respectivement de 0,5–1,8 Gy et 0,7–2,0 Gy. La thérapie protonique a montré une stabilité similaire.
Acceptabilité Clinique : L'examen par des experts a classé 93–99 % des cas photoniques et 94–96 % des cas protoniques comme cliniquement acceptables (Rang 2–5). Une proportion significative (34–50 % pour les photons, 28–54 % pour les protons) présentait des améliorations dosimétriques par rapport au plan original (Rang 4–5).
Supériorité de l'Optimisation Conjointe :
- Synthèse : Alors que les méthodes non supervisées concurrentes (SynDiff, ACSB) produisaient des sCT visuellement plausibles, le sCT de l'A-RPA a entraîné des erreurs de dose tumorale nettement plus faibles (~1,2 Gy contre ~8–12 Gy pour les concurrents) et une meilleure récupération de la dose des OAR.
- Segmentation : Sur le CT synthétique, l'A-RPA a maintenu des performances de segmentation robustes (Dice ~0,71–0,82), tandis que les méthodes concurrentes se dégradaient significativement. Cela a conduit à une amélioration marquée de la dose d'environ 3,63 Gy pour l'A-RPA contre <1,0 Gy pour les concurrents lors de l'utilisation de la re-segmentation.
Enregistrement Multimodal : L'incorporation de l'IRM et du PET-CT via un enregistrement déformable a amélioré l'alignement des contours (le Dice est passé à ~0,98 pour le corps, ~0,95 pour les tumeurs) et la segmentation en aval, particulièrement pour les structures de tissus mous où le contraste du CBCT est limité.

Signification et Revendications

L'article affirme que l'A-RPA représente un changement de paradigme, passant d'outils d'IA isolés et spécifiques à une approche de modèle de fondation unifié pour la radiothérapie. Sa principale importance réside dans le fait de rendre la radiothérapie adaptative en ligne quotidienne pratiquement réalisable en réduisant le temps de flux de travail à moins de deux minutes tout en maintenant la qualité clinique.

Les auteurs soulignent que le cadre agentique est crucial car la radiothérapie adaptative n'est pas un processus linéaire ; elle nécessite un raisonnement clinique pour déterminer si et comment adapter. En orchestrant des flux de travail à embranchements, l'A-RPA fonctionne comme un système de support à la décision clinique plutôt que comme un simple pipeline d'automatisation. De plus, l'étude valide l'hypothèse selon laquelle l'optimisation conjointe de toute la cascade de planification adaptative (synthèse $\to$ enregistrement $\to$ segmentation $\to$ dose) produit des résultats cliniques supérieurs à l'optimisation de composants individuels de manière isolée. Le système préserve la supervision clinique grâce à une conception « humain dans la boucle », garantissant que les plans générés sont examinés et approuvés par des cliniciens avant la délivrance du traitement.

Les auteurs reconnaissent des limites, notamment la dépendance à la qualité de l'image CBCT (les performances diminuent avec des artefacts sévères ou des champs de vue limités) et la nécessité d'une validation multi-institutionnelle plus large. Ils notent également que la prédiction de dose reste une approximation de l'optimisation inverse, bien qu'elle fournisse un point de départ cliniquement cohérent pour une adaptation rapide.