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

Radiotherapie is een krachtig middel bij de behandeling van kanker, waarbij hoogenergetische stralen worden gebruikt om kwaadaardige cellen te vernietigen terwijl het gezonde weefsel wordt gespaard. Om deze behandeling nauwkeurig te maken, gebruiken artsen een apparaat dat een multileaf-collimator wordt genoemd, dat werkt als een dynamische sluiter gemaakt van vele dunne metalen blaadjes. Deze blaadjes bewegen in en uit om de straal vorm te geven, waarbij ze een op maat gemaakt pad uithollen dat exact overeenkomt met de vorm van de tumor. Het doel is om een dodelijke dosis aan de kanker toe te dienen, terwijl de omliggende organen onaangetast blijven. De machinerie is echter niet perfect. Net zoals een mechanische sluiter soms kan blijven hangen of vertraging kan oplopen, kunnen deze metalen blaadjes soms naar een positie bewegen die een fractie van een millimeter afwijkt van waar de computer ze had gepland. In de wereld van radiatie kan zelfs een minuscule fout van één millimeter de dosis die de patiënt ontvangt veranderen, wat potentieel de effectiviteit van de behandeling vermindert of gezond weefsel beschadigt. Daarom is het waarborgen dat de blaadjes op exact de juiste plek zijn op het exacte juiste moment een cruciale uitdaging voor medisch fysici.

Onderzoekers proberen deze kleine bewegingen al lang te voorspellen voordat ze plaatsvinden, in de hoop ze vooraf te kunnen corrigeren. Ze hebben verschillende computermethoden getest, waaronder standaard neurale netwerken, die systemen zijn die gebaseerd zijn op het menselijk brein en diens vermogen om van patronen te leren. Hoewel deze systemen kunnen leren, hebben ze vaak moeite om zowel snel als nauwkeurig te zijn, vooral wanneer ze proberen de positie van elk afzonderlijk blaadje in een complex apparaat te voorspellen. Een nieuwe studie door Jun Lv en collega's introduceert een andere aanpak die een standaard neuraal netwerk combineert met een natuurgeïnspireerde zoekmethode genaamd het Black-winged Kite Algorithm. Dit algoritme bootst het jachtgedrag van een specifieke roofvogel na, waarbij het gebruikmaakt van diens efficiënte zoekpatronen om de best mogelijke begininstellingen voor het computermodel te vinden. Door deze methode te gebruiken, streefden de onderzoekers ernaar een systeem te creëren dat de exacte locatie van de blaadjes met veel grotere nauwkeurigheid en snelheid kon voorspellen dan eerdere methoden.

Het team testte hun nieuwe model met behulp van gegevens van vijftig real-world kankerbehandelplannen, variërend van tumoren in het hoofd en nek, de borstkas en de buik. Ze voedden de computer dertien verschillende stukken informatie uit de logbestanden van de machine, zoals de hoek van de stralingsbron, de snelheid van de blaadjes en de geplande posities. Het doel was om te zien of het model kon raden waar de blaadjes zich daadwerkelijk zouden bevinden wanneer de machine afvuurde. De resultaten waren opmerkelijk. Het nieuwe model, dat ze BKA-BPNN noemen, voorspelde de posities van de blaadjes met een gemiddelde fout van slechts 0,0026 millimeter. Om dit in perspectief te plaatsen: de fout was zo klein dat de voorspelde positie bijna niet te onderscheiden was van de werkelijke positie, met een correlatie die zo hoog was dat deze bijna perfect was. Wanneer ze dit vergeleken met oudere, standaard neurale netwerken, verminderde het nieuwe model de fout met bijna 90 procent. Het presteerde ook aanzienlijk beter dan andere geavanceerde methoden die andere optimalisatietechnieken gebruiken, waarbij de fout met bijna 40 procent werd verminderd ten opzichte van de op één na beste alternatieven.

Naast het feit dat het nieuwe model nauwkeuriger was, was het ook veel sneller. Terwijl sommige concurrerende systemen meer dan een uur nodig hadden om de gegevens te verwerken, voltooide het Black-winged Kite model de taak in minder dan een minuut. Deze snelheid is cruciaal omdat het betekent dat het systeem potentieel in real-time of vlak voor een behandeling kan worden gebruikt om fouten te controleren. De onderzoekers ontdekten dat het model consistent goed presteerde over verschillende aantallen blaadjes en verschillende soorten behandelplannen, wat suggereert dat het een robuust hulpmiddel is dat niet voor elk nieuw blaadje of elke nieuwe patiënt opnieuw getraind hoeft te worden. In tegenstelling hiertoe hadden oudere modellen vaak moeite wanneer ze gevraagd werden om blaadjes te voorspellen waarop ze niet specifiek waren getraind, wat een aparte training voor elk exemplaar vereiste. Het nieuwe systeem hanteerde al deze gevallen met hetzelfde hoge niveau van precisie.

De studie onderzocht ook hoe deze voorspellingen de veiligheid van radiotherapie kunnen verbeteren. Momenteel verifiëren artsen vaak de prestaties van de machine nadat de behandeling is voltooid, wat te laat is om fouten te herstellen. Deze nieuwe methode biedt een manier om fouten te voorspellen en te corrigeren voordat de straal überhaupt wordt ingeschakeld. Door potentiële afwijkingen vroegtijdig te identificeren, kan het systeem helpen ervoor te zorgen dat de toegediende dosis overeenkomt met de geplande dosis, waardoor patiënten worden beschermd tegen onbedoelde blootstelling. De onderzoekers merkten op dat hoewel hun model zeer effectief is, het is getest op gegevens van twee specifieke typen radiatiemachines. Zij suggereren dat toekomstig werk gegevens van een breder scala aan machines moet bevatten om te garanderen dat het model overal werkt. Voor nu echter demonstreert de studie dat door een slim zoekalgoritme te combineren met een leernetwerk, het mogelijk is om de bewegingen van deze cruciale medische apparaten te voorspellen met een niveau van precisie dat voorheen onbereikbaar was, wat een veelbelovende stap voorwaarts is in het veiliger en effectiever maken van kankerbehandeling.