Clinical DVH metrics as a loss function for 3D dose prediction in head and neck radiotherapy

Titolo: Metriche DVH cliniche come funzione di perdita per la previsione della dose 3D nella radioterapia testa-collo

1. Il Problema

La previsione della dose 3D basata sul deep learning è diventata un componente cruciale per automatizzare i flussi di lavoro della radioterapia (RT). Tuttavia, la maggior parte dei modelli esistenti viene addestrata utilizzando funzioni di perdita di regressione voxel-wise (come MAE o MSE).

• Disallineamento Clinico: Queste metriche ottimizzano la similarità globale della distribuzione di dose, ma non sono allineate con i criteri di valutazione clinica reale, che si basano su metriche derivate dall'istogramma dose-volume (DVH).
• Limiti delle Metriche DVH: In pratica, i pianificatori valutano i piani basandosi su metriche specifiche (es. $D_{x\%}$, $V_{x\%}$) piuttosto che sull'intera curva DVH.
  • Le metriche D (es. dose minima al x% del volume) sono differenziabili e possono essere integrate nel training.
  • Le metriche V (es. volume che riceve almeno x Gy) coinvolgono operazioni di soglia (step function) non differenziabili, rendendo difficile il loro ottimizzazione diretta tramite gradienti.
• Sfida Computazionale: Nella radioterapia testa-collo (H&N), il numero di organi a rischio (OAR) è elevato (spesso >20) e molti si sovrappongono spazialmente. I metodi convenzionali che usano un canale di input "one-hot" per ogni ROI causano un eccessivo overhead di pre-processing, trasferimento dati CPU-GPU e consumo di memoria GPU, limitando spesso l'inclusione di tutti gli OAR clinici rilevanti.

2. Metodologia

Gli autori propongono un framework integrato composto da due innovazioni principali: una nuova funzione di perdita (CDM loss) e un'efficiente strategia di codifica delle ROI.

A. Clinical DVH Metric Loss (CDM Loss)
La funzione di perdita ottimizza direttamente le metriche cliniche definite in un template JSON, combinando:

• Formulazione Differenziabile per le Metriche D: Utilizza algoritmi top-k per calcolare i quantili (es. $D_{x\%}$, $D_{max}$) senza ordinare esplicitamente tutti i voxel, permettendo la propagazione del gradiente.
• Surrogato Differenziabile per le Metriche V: Poiché la funzione di Heaviside (soglia) non è differenziabile, viene approssimata con una funzione sigmoide $\sigma_\alpha(t)$.
  • Gli autori derivano analiticamente un limite inferiore per il parametro di pendenza $\alpha$ basato su un errore di approssimazione tollerato ($\epsilon$) e una finestra di margine ($m$) attorno alla soglia di dose. Questo garantisce un equilibrio tra accuratezza dell'approssimazione e stabilità del gradiente, evitando la saturazione.
• Obiettivo Finale: La perdita totale è una combinazione pesata della perdita MAE (per la consistenza voxel-wise) e della CDM loss (per l'allineamento clinico):
  $$L_{total} = \lambda_1 L_{MAE} + \lambda_2 L_{CDM}$$

B. Codifica Bit-Mask delle ROI
Per gestire l'elevato numero di ROI sovrapposte in modo efficiente:

• Codifica Lossless: Tutte le maschere binarie delle ROI vengono codificate in un singolo intero a 32 bit (uint32), dove ogni bit rappresenta una specifica ROI.
• Decodifica On-Demand: Il bit-mask non è l'input diretto della rete. Viene utilizzato come rappresentazione intermedia compatta.
  • Pre-processing: Le trasformazioni geometriche (rotazioni, flip) vengono applicate una sola volta al bit-mask, riducendo drasticamente il tempo di CPU.
  • GPU: Durante il training, le maschere binarie per le singole ROI vengono decodificate "on-demand" tramite operazioni bitwise (AND e shift) solo quando necessarie per il calcolo della perdita o per l'input alla rete. Questo riduce il picco di memoria GPU e il trasferimento dati.

C. Configurazione Sperimentale

• Dataset: 174 pazienti H&N trattati con VMAT (137 per training, 37 per test temporale).
• Modello: Una rete standard 3D U-Net (implementata in MONAI).
• Template Clinico: Un file JSON definisce le metriche target per PTV e OAR (es. $V_{95\%} \ge 98\%$, $D_{0.03cc} \le 110\%$).

3. Risultati Chiave

Lo studio è stato valutato su un cohort di test temporale (out-of-time), confrontando la CDM loss con approcci basati su MAE e loss DVH tradizionali.

• Performance Clinica (PTV Score):
  • Il modello con MAE + CDM ha ottenuto il miglior punteggio PTV (0.491), riducendo significativamente l'errore rispetto al solo MAE (1.544).
  • È stato l'unico modello a soddisfare tutti i vincoli clinici predefiniti (copertura PTV e limiti di dose) in tutti i casi di test, senza violazioni statisticamente significative rispetto ai piani clinici reali.
  • I modelli basati solo su MAE o MAE + DVH hanno mostrato casi di copertura insufficiente del target o hot-spot eccessivi.
• Risparmio degli OAR: Le performance di risparmio degli OAR sono rimaste comparabili o migliorate rispetto agli altri metodi, mantenendo un punteggio OAR competitivo (~1.999 Gy).
• Efficienza Computazionale:
  • L'uso della codifica bit-mask ha ridotto il tempo medio per epoca di training da 241s a 43s (riduzione dell'83.2%).
  • Il picco di memoria GPU è sceso da 20.50 GB a 19.57 GB, permettendo l'uso di volumi 3D completi senza dover limitare il numero di OAR.
• Confronto Architetture:
  • Una semplice 3D U-Net addestrata con CDM loss ha ottenuto performance pari o superiori a architetture complesse dello stato dell'arte (SwinUNETR, MedNeXt, C3D), suggerendo che l'allineamento dell'obiettivo di ottimizzazione è più critico della complessità architetturale.

4. Contributi Principali

1. CDM Loss: Introduzione di una funzione di perdita che ottimizza direttamente le metriche DVH cliniche (sia D che V) utilizzando surrogati differenziabili matematicamente derivati, garantendo che il modello impari a soddisfare i criteri reali di pianificazione.
2. Codifica Bit-Mask: Sviluppo di uno schema di codifica lossless e decodifica on-demand che risolve il collo di bottiglia computazionale legato all'elevato numero di ROI sovrapposte, accelerando notevolmente il training e riducendo l'uso di memoria.
3. Flessibilità Clinica: Utilizzo di un template JSON per definire le metriche di valutazione, rendendo il framework adattabile a diversi protocolli clinici e istituzioni senza modificare l'architettura della rete.

5. Significato e Impatto

Questo lavoro dimostra che l'ottimizzazione diretta delle metriche cliniche è superiore alla semplice minimizzazione dell'errore voxel-wise o alla similarità della curva DVH completa.

• Allineamento Clinico: I piani di dose predetti sono direttamente utilizzabili o facilmente adattabili nei flussi di lavoro clinici, riducendo la necessità di revisioni manuali.
• Efficienza: La strategia bit-mask rende fattibile l'addestramento su interi volumi 3D con un gran numero di strutture, un requisito essenziale per la radioterapia testa-collo.
• Semplificazione: Il risultato che una semplice U-Net supera architetture complesse quando l'obiettivo di perdita è corretto offre una direzione pratica per la deployment clinica di AI, favorendo modelli più semplici, robusti e facili da mantenere.

In sintesi, il framework proposto fornisce una base solida e scalabile per l'integrazione dell'AI nei flussi di lavoro di pianificazione della radioterapia, migliorando la consistenza dei piani e riducendo il carico di lavoro manuale.