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

La radiothérapie est un outil puissant pour traiter le cancer, utilisant des faisceaux d'énergie élevée pour détruire les cellules malignes tout en épargnant les tissus sains. Pour rendre ce traitement précis, les médecins utilisent un dispositif appelé collimateur multilames, qui agit comme un obturateur dynamique composé de nombreuses fines lames métalliques. Ces lames se déplacent vers l'intérieur et l'extérieur pour façonner le faisceau, sculptant un chemin personnalisé qui correspond exactement à la forme de la tumeur. L'objectif est de délivrer une dose létale au cancer tout en laissant les organes environnants intacts. Cependant, la machinerie n'est pas parfaite. Tout comme un obturateur mécanique pourrait se bloquer ou accuser un retard, ces lames métalliques peuvent parfois se déplacer vers une position qui est décalée d'une fraction de millimètre par rapport à l'endroit où l'ordinateur les avait prévues. Dans le monde de la radiation, même une erreur infime d'un millimètre peut modifier la dose que reçoit le patient, réduisant potentiellement l'efficacité du traitement ou nuisant aux tissus sains. C'est pourquoi s'assurer que les lames sont exactement au bon endroit au moment précis est un défi critique pour les physiciens médicaux.

Les chercheurs tentent depuis longtemps de prédire ces minuscules mouvements avant qu'ils ne se produisent, espérant les corriger à l'avance. Ils ont testé diverses méthodes informatiques, y compris les réseaux de neurones standards, qui sont des systèmes modélisés d'après la capacité du cerveau humain à apprendre des motifs. Bien que ces systèmes puissent apprendre, ils ont souvent du mal à être à la fois rapides et précis, surtout lorsqu'il s'agit de prédire la position de chaque lame dans une machine complexe. Une nouvelle étude de Jun Lv et de ses collègues introduit une approche différente qui combine un réseau de neurones standard avec une méthode de recherche inspirée de la nature appelée l'Algorithme du Vanellus de l'oiseau (Black-winged Kite Algorithm). Cet algorithme imite le comportement de chasse d'un oiseau de proie spécifique, utilisant ses schémas de recherche efficaces pour trouver les meilleurs paramètres de départ pour le modèle informatique. En utilisant cette méthode, les chercheurs visaient à créer un système capable de prédire l'emplacement exact des lames avec une précision et une vitesse bien plus grandes que les méthodes précédentes.

L'équipe a testé son nouveau modèle en utilisant des données provenant de cinquante plans de traitement de cancer réels, couvrant des tumeurs de la tête et du cou, du thorax et de l'abdomen. Ils ont injecté dans l'ordinateur treize informations différentes issues des journaux de bord de la machine, telles que l'angle de la source de radiation, la vitesse des lames et les positions prévues. L'objectif était de voir si le modèle pouvait deviner où les lames finiraient réellement lorsqu'elle tirerait. Les résultats furent frappants. Le nouveau modèle, qu'ils appellent BKA-BPNN, a prédit les positions des lames avec une erreur moyenne de seulement 0,0026 millimètre. Pour mettre cela en perspective, l'erreur était si petite que la position prédite était presque indiscernable de la position réelle, avec une corrélation si élevée qu'elle était presque parfaite. Lorsqu'ils l'ont comparé aux anciens réseaux de neurones standards, le nouveau modèle a réduit l'erreur de près de 90 %. Il a également obtenu des performances nettement supérieures à d'autres méthodes avancées utilisant différentes techniques d'optimisation, réduisant l'erreur de près de 40 % par rapport à la meilleure alternative.

Au-delà d'être simplement plus précis, le nouveau modèle était aussi beaucoup plus rapide. Alors que certains systèmes concurrents mettaient plus d'une heure pour traiter les données, le modèle Black-winged Kite a accompli sa tâche en moins d'une minute. Cette vitesse est cruciale car elle signifie que le système pourrait potentiellement être utilisé en temps réel ou juste avant un traitement pour vérifier les erreurs. Les chercheurs ont constaté que le modèle fonctionnait de manière constante sur différents nombres de lames et différents types de plans de traitement, suggérant qu'il s'agit d'un outil robuste qui n'a pas besoin d'être réentraîné pour chaque lame ou chaque nouveau patient. En revanche, les anciens modèles éprouvaient souvent des difficultés lorsqu'on leur demandait de prédire des lames pour lesquelles ils n'avaient pas été spécifiquement entraînés, nécessant un entraînement distinct pour chacune d'elles. Le nouveau système les gérait tous avec le même haut niveau de précision.

L'étude a également examiné comment ces prédictions pourraient améliorer la sécurité de la radiothérapie. Actuellement, les médecins vérifient souvent la performance de la machine une fois le traitement terminé, ce qui est trop tard pour corriger les erreurs. Cette nouvelle méthode offre un moyen de prédire et de corriger les erreurs avant même que le faisceau ne soit activé. En identifiant les écarts potentiels tôt, le système pourrait aider à garantir que la dose délivrée correspond à la dose prévue, protégeant ainsi les patients d'une exposition involontaire. Les chercheurs ont noté que, bien que leur modèle soit très efficace, il a été testé sur des données provenant de deux types spécifiques de machines de radiation. Ils suggèrent que des travaux futurs devraient inclure des données provenant d'une plus grande variété de machines pour garantir que le modèle fonctionne partout. Pour l'instant, cependant, l'étude démontre qu'en combinant un algorithme de recherche intelligent avec un réseau d'apprentissage, il est possible de prédire les mouvements de ces dispositifs médicaux critiques avec un niveau de précision auparavant hors de portée, offrant une étape prometteuse pour rendre le traitement du cancer plus sûr et plus efficace.