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

La radioterapia è uno strumento potente per il trattamento del cancro, che utilizza fasci di alta energia per distruggere le cellule maligne preservando al contempo i tessuti sani. Per rendere questo trattamento preciso, i medici utilizzano un dispositivo chiamato collimatore multilamellare, che funge da otturatore dinamico composto da molte sottili lamelle metalliche. Queste lamelle si muovono in entrata e in uscita per dare forma al fascio, scolpendo un percorso personalizzato che corrisponda esattamente alla forma del tumore. L'obiettivo è somministrare una dose letale al cancro lasciando intatti gli organi circostanti. Tuttavia, la macchina non è perfetta. Proprio come un otturatore meccanico potrebbe incepparsi o ritardare leggermente, queste lamelle metalliche possono talvolta spostarsi in una posizione che è di una frazione di millimetro diversa da quella prevista dal computer. Nel mondo della radioterapia, anche un minuscolo errore di un millimetro può cambiare la dose che il paziente riceve, riducendo potenzialmente l'efficacia del trattamento o danneggiando i tessuti sani. Per questo motivo, garantire che le lamelle siano nell'esatta posizione corretta nel momento esatto è una sfida critica per i fisici medici.

I ricercatori hanno cercato a lungo di prevedere questi piccoli movimenti prima che accadano, sperando di correggerli in anticipo. Hanno testato vari metodi informatici, tra cui le reti neurali standard, che sono sistemi modellati sulla capacità del cervello umano di apprendere dai modelli. Sebbene questi sistemi possano apprendere, spesso faticano a essere sia veloci che accurati, specialmente quando cercano di prevedere la posizione di ogni singola lamella in una macchina complessa. Un nuovo studio di Jun Lv e colleghi introduce un approccio diverso che combina una rete neurale standard con un metodo di ricerca ispirato alla natura chiamato Black-winged Kite Algorithm (Algoritmo del Falco di Black). Questo algoritmo imita il comportamento di caccia di un particolare uccello predatore, utilizzando i suoi modelli di ricerca efficienti per trovare le migliori impostazioni di partenza per il modello informatico. Utilizzando questo metodo, i ricercatori miravano a creare un sistema che potesse prevedere la posizione esatta delle lamelle con una precisione e una velocità molto maggiori rispetto ai metodi precedenti.

Il team ha testato il loro nuovo modello utilizzando dati provenienti da cinquanta piani di trattamento oncologico reali, che coprivano tumori della testa e del collo, del torace e dell'addome. Hanno fornito al computer tredici diversi pezzi di informazioni dai log della macchina, come l'angolo della sorgente di radiazioni, la velocità delle lamelle e le posizioni pianificate. L'obiettivo era vedere se il modello potesse indovinare dove si sarebbero effettivamente fermate le lamelle quando la macchina avesse sparato. I risultati sono stati sorprendenti. Il nuovo modello, che chiamano BKA-BPNN, ha previsto le posizioni delle lamelle con un errore medio di appena 0,0026 millimetri. Per dare un'idea, l'errore era così piccolo che la posizione prevista era quasi indistinguibile dalla posizione reale, con una correlazione così alta da essere quasi perfetta. Quando hanno confrontato questo modello con le reti neurali standard più vecchie, il nuovo modello ha ridotto l'errore di quasi il 90 percento. Ha inoltre ottenuto prestazioni significativamente migliori rispetto ad altri metodi avanzati che utilizzano diverse tecniche di ottimizzazione, riducendo l'errore di quasi il 40 percento rispetto alla seconda migliore alternativa.

Oltre a essere più accurato, il nuovo modello era anche molto più veloce. Mentre alcuni sistemi concorrenti impiegavano oltre un'ora per elaborare i dati, il modello Black-winged Kite ha completato il suo compito in meno di un minuto. Questa velocità è cruciale perché significa che il sistema potrebbe potenzialmente essere utilizzato in tempo reale o subito prima di un trattamento per controllare eventuali errori. I ricercatori hanno scoperto che il modello funzionava costantemente bene attraverso diversi numeri di lamelle e diversi tipi di piani di trattamento, suggerendo che sia uno strumento robusto che non ha bisogno di essere riaddestrato per ogni singola lamella o per ogni nuovo paziente. Al contrario, i modelli più vecchi spesso faticavano quando venivano interrogati per prevedere lamelle su cui non erano stati specificamente addestrati, richiedendo un addestramento separato per ciascuna di esse. Il nuovo sistema le gestiva tutte con lo stesso alto livello di precisione.

Lo studio ha anche esaminato come queste previsioni potessero migliorare la sicurezza della radioterapia. Attualmente, i medici spesso verificano le prestazioni della macchina una volta terminato il trattamento, il che è troppo tardi per correggere eventuali errori. Questo nuovo metodo offre un modo per prevedere e correggere gli errori prima che il fascio venga mai acceso. Identificando potenziali deviazioni precocemente, il sistema potrebbe aiutare a garantire che la dose somministrata corrisponda alla dose pianificata, proteggendo i pazienti da un'esposizione involontaria. I ricercatori hanno osservato che, sebbene il loro modello sia altamente efficace, è stato testato su dati provenienti da due tipi specifici di macchine per radioterapia. Suggeriscono che il lavoro futuro dovrebbe includere dati da una gamma più ampia di macchine per garantire che il modello funzioni ovunque. Per ora, tuttavia, lo studio dimostra che combinando un algoritmo di ricerca intelligente con una rete di apprendimento, è possibile prevedere i movimenti di questi dispositivi medici critici con un livello di precisione precedentemente fuori portata, offrendo un passo promettente verso il rendere il trattamento del cancro più sicuro ed efficace.