Automated Dose-Based Anatomic Region Classification of Radiotherapy Treatment for Big Data Applications

Dit artikel beschrijft een geautomatiseerde, op deep learning gebaseerde methode die radiotherapieplannen op basis van dosis-overlapping met anatomische structuren classificeert, waardoor grote, multi-institutionele datasets betrouwbaar kunnen worden gekurateerd zonder afhankelijk te zijn van inconsistente metadata.

De kern

Stel je voor dat je een enorme bibliotheek hebt met 100.000 boeken over stralingstherapie (radiotherapie) voor kanker. Maar er is een groot probleem: niemand heeft de titels op de ruggen van deze boeken geschreven, en als ze dat wel hebben gedaan, is het handschrift van iedereen anders. Soms staat er "Kop", soms "Hoofd", en soms staat er gewoon "Nieuwe Structuur 1".

Als je nu wilt weten hoeveel boeken er over kanker in de buik gaan, moet je ze één voor één openen, lezen en sorteren. Dat zou duizenden mensen jarenlang werk kosten.

De onderzoekers van dit paper hebben een slimme robot bedacht die dit werk in een flits doet, zonder ooit naar de tekst te kijken. Hier is hoe het werkt, vertaald naar alledaags taal:

1. Het Probleem: Tekst is onbetrouwbaar

In de medische wereld vertrouwen ze vaak op labels. Maar net als bij een verhuisdoos waar je "Kookgerei" op schrijft terwijl er eigenlijk "Sneakers" in zitten, zijn de labels in stralingsplannen vaak verkeerd of vaag. De robot van de onderzoekers kijkt daarom niet naar de tekst, maar naar de fysieke werkelijkheid.

2. De Oplossing: Een "Stralings-Scanner"

De robot doet drie dingen, alsof hij een superkrachtige detective is:

• Stap 1: De Anatomische Kaart (De "Google Maps" van het lichaam)
  De robot gebruikt een slimme kunstmatige intelligentie (diep leren) om een 3D-kaart van het lichaam te maken. Hij tekent automatisch de contouren van 118 verschillende onderdelen: longen, lever, botten, hersenen, etc. Het is alsof hij een transparante, digitale huid over de patiënt legt en alle organen precies inkleurt.
• Stap 2: De Stralings-Spoor (De "Verf" in de kamer)
  Vervolgens kijkt hij naar het stralingsplan. Straling is als verf die op een muur wordt gespoten. De robot kijkt precies waar die "verf" (de straling) zit. Hij vraagt zich af: "Welke organen zijn besmeurd met deze straling?"
• Stap 3: De Beslissing (De "Burgemeester" van de regio)
  Als de straling vooral op de lever zit, zegt de robot: "Dit is een Buik-behandeling." Zit de straling op de longen? "Dit is Thorax (borstkas)." Zit het op de hersenen? "Dit is Kop."

3. Hoe slim is hij eigenlijk?

De onderzoekers hebben de robot getest op 100 echte patiëntcases en vergeleken met wat menselijke experts (de "oudste bibliothecarissen") hadden gezegd.

• 95% van de tijd had de robot de hoofdlocatie (bijv. "Buik") precies goed.
• 91% van de tijd had hij alles perfect goed, inclusief de volgorde van de locaties.

Dat is alsof je een robot vraagt om 100 boeken te sorteren en hij doet het bijna perfect, terwijl hij de titels nooit heeft gelezen.

4. Waar hij soms "verkeerd" zit (En waarom dat oké is)

Soms maakt de robot een kleine fout, maar vaak is dat omdat hij slimmer is dan de menselijke regels.

• Voorbeeld: Stel, de straling raakt net de rand van de buik en de rand van de borstkas. De menselijke expert zegt misschien: "Het raakt de borst niet diep genoeg, dus het is alleen buik." De robot zegt echter: "Ik zie straling in de longen, dus ik noem het ook 'Thorax'."
• In de wereld van "Big Data" (grote datasets) is het beter om te veel te vinden dan te weinig. Als de robot een plan toevoegt aan de "Borstkas"-lijst dat de mens misschien had overgeslagen, is dat geen fout, maar een veiligheidsnet. Je wilt immers geen patiënt missen als je onderzoek doet naar borstkanker.

5. Waarom is dit geweldig?

Vroeger moest je duizenden dossiers handmatig doorzoeken om een onderzoek te doen. Nu kun je tegen deze robot zeggen: "Laat me alle plannen zien waar de straling op de bekkenbotten viel." En binnen een paar seconden heeft hij de hele bibliotheek doorgelopen en de juiste boeken op een stapel gelegd.

Kortom:
De onderzoekers hebben een automatische sorteringsmachine gebouwd die niet leest wat er op de envelop staat, maar kijkt waar de straling echt zit. Dit maakt het mogelijk om enorme hoeveelheden medische data te gebruiken voor wetenschappelijke doorbraken, zonder dat we duizenden mensen jarenlang hoeven te laten werken aan het sorteren van papieren.

Technische samenvatting

Probleemstelling

De opkomst van "Big Data" in de radiotherapie, met databases van meer dan 100.000 patiënten, wordt gehinderd door de complexiteit van data-curatie. Een essentiële stap voor downstream-analyses is het stratificeren van behandelingen op anatomische regio (bijv. hoofd/hals, thorax, bekken). Huidige methoden vertrouwen echter vaak op inconsistente planlabels, metadata of doelgebied-nomenclatuur. Deze tekstuele benaderingen zijn onbetrouwbaar voor multi-institutionele data vanwege:

• Inconsistent gebruik van terminologie.
• Verschillende labelprotocollen tussen centra.
• Het risico dat labels niet overeenkomen met de daadwerkelijke dosisverdeling (geometrie).
• Het ontbreken van semantische informatie in generieke labels (bijv. "ROI_1").

Manuele labeling is tijdrovend, vatbaar voor menselijke fouten door vermoeidheid en vereist gespecialiseerde kennis, waardoor het niet schaalbaar is voor grote datasets.

Methodologie

De auteurs hebben een volledig geautomatiseerde workflow ontwikkeld die anatomische regio's afleidt op basis van de fysieke overlap tussen de geplande dosis en de anatomie, zonder afhankelijk te zijn van tekstuele metadata. De workflow bestaat uit drie hoofdstadia:

1. Automatische Segmentatie van Orgaan-at-Risico (OAR):

   • Het systeem verwerkt DICOM-bestanden (CT, RTDose, RTStruct, RTPlan).
   • Er wordt gebruik gemaakt van deep-learning modellen (specifiek TotalSegmentator) om 118 structuren (organen, klieren, botten) te segmenteren.
   • Specifieke aanpassingen worden gedaan, zoals het splitsen van darmen in "bekken" en "abdomen" op basis van het iliacale been, en het gebruik van een aangepast MedNeXt-model voor borstweefsel.
   • De volumes worden voorverwerkt (croppen) om de rekentijd te optimaliseren.

2. Dosis-Masker Intersection Analyse:

   • De dosisvolume (RTDose) wordt hersampled en uitgelijnd met de gesegmenteerde organen.
   • Er wordt een "dosis-overlap score" berekend voor elk orgaan op basis van de overlap met de isodose-lijnen van 85% en 50% van de maximale dosis.
   • De formule voor de score is: $Score = V(O \cap D) / V(D)$, waarbij $V$ het voxelvolume voorstelt.

3. Automatische Labeling Algorithm:

   • Een hiërarchisch besluitvormingsproces (zie Figuur 1 in het artikel) wijst labels toe aan zes regio's: Cranial, Head & Neck, Thorax, Abdomen, Pelvis, Extremity.
   • Prioriteit: Eerst wordt gekeken naar overlap met de 85% isodose. Als dit onvoldoende is, wordt de 50% isodose gebruikt.
   • Speciale regels: Voor het hoofd wordt een Dice-score > 0.4 voor het brein gebruikt; voor hoofd/hals wordt de positie van het zwaartepunt (CoM) ten opzichte van de C7-wervel gecontroleerd.
   • Fallback: Als er geen duidelijke overlap is, wordt het dichtstbijzijnde orgaan axiaal ten opzichte van het CoM van de 85% isodose als label gebruikt.

Kernbijdragen

• Onafhankelijkheid van Metadata: De methode is volledig gebaseerd op geometrische dosis-anatomie relaties, wat het probleem van inconsistente naamgeving oplost.
• Schaalbaarheid: De workflow is ontworpen voor bulkverwerking van grote datasets (100.000+ patiënten) en levert reproduceerbare, objectieve labels.
• Validatie met Expert Ground Truth: De algoritme is getraind op 109 gevallen en gevalideerd op 100 opeenvolgende klinische plannen, waarbij een strikt expert-labelprotocol (met een 5 mm penetratiediepte-criterium) als gouden standaard diende.
• Interpreteerbare Output: Het systeem genereert JSON-bestanden met overlap-metrics en een hiërarchische lijst van anatomische regio's.

Resultaten

Op de testset van 100 plannen werden de volgende prestaties behaald:

• Exact Accuracy: 91% (De geautomatiseerde labels en hun volgorde matchten perfect met de expertlabels).
• Top-2 Accuracy: 94% (De set van de twee belangrijkste regio's was correct, ongeacht de volgorde).
• Top-1 Accuracy: 95% (Het primaire behandelgebied werd correct geïdentificeerd).

Analyse van fouten:
De discrepanties tussen het algoritme en de experts waren voornamelijk beperkt tot "grensgevallen" (bijv. straling die de grens tussen twee regio's raakt).

• Soms labelde het algoritme een plan als twee regio's (bijv. Thorax én Head & Neck) omdat er een kleine overlap was, terwijl de expert vanwege de strikte 5 mm-regel slechts één regio koos.
• Een systematische fout trad op bij het ontbreken van specifieke organen in het segmentatiemodel (bijv. de anus), wat leidde tot een verkeerde classificatie van bekken naar extremiteit.
• Het algoritme was soms gevoeliger voor "grazing dose" (lichte overlap) dan het expertprotocol.

Significantie

Deze studie biedt een schaalbare en gestandaardiseerde oplossing voor het cureren van grote, multi-institutionele radiotherapie-datasets.

• Betrouwbaarheid: De hoge Top-1 Accuracy (95%) maakt het mogelijk om betrouwbare cohorten te selecteren op basis van het primaire behandelgebied, wat essentieel is voor het trainen van AI-modellen en retrospectieve analyses.
• Complementair: Het vult tekstgebaseerde benaderingen aan en lost het probleem op waar labels niet overeenkomen met de fysieke behandeling.
• Toekomstperspectief: Hoewel de huidige versie afhankelijk is van de kwaliteit van de upstream-segmentatie, biedt het een solide basis voor verdere verfijning (bijv. dose-gewogen CoM berekeningen) en uitbreiding naar meer gedetailleerde ziektespecifieke labels. Het is een cruciale stap naar het realiseren van echte "Big Data" toepassingen in de stralingstherapie.