Monitoring Treatment Response in Radiation Therapy: A Scoping Review of Dosimetric, Imaging, and Artificial Intelligence-Based Approaches
Deze scoping review synthetiseert de huidige methodologieën voor het monitoren van de respons op radiotherapie, waarbij de complementaire rollen van in vivo dosimetrie, functionele beeldvorming en opkomende door kunstmatige intelligentie gedreven voorspellende modellen worden benadrukt, terwijl tegelijkertijd de noodzaak voor verdere standaardisatie en klinische validatie wordt onderstreept.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Kanker is een ziekte van ongecontroleerde groei, waarbij cellen zich zonder te stoppen vermenigvuldigen en zich naar andere delen van het lichaam verspreiden. Om dit te stoppen, gebruiken artsen vaak radiotherapie, een behandeling waarbij hoogenergetische deeltjes op een tumor worden gericht om het DNA in de kankercellen te beschadigen, waardoor ze sterven. Dit proces is een delicaat evenwicht: de straal moet sterk genoeg zijn om de tumor te vernietigen, maar nauwkeurig genoeg om het omliggende gezonde weefsel te sparen. Decennialang hebben artsen vertrouwd op standaard scans om te zien of de tumor krimpt, vergelijkbaar met het controleren van de grootte van een ballon nadat er wat lucht uit is gelaten. Een tumor kan echter zijn interne chemie of doorbloeding veranderen lang voordat de fysieke omvang verandert, wat betekent dat een patiënt kan verbeteren of verslechteren zonder dat de arts dit weet totdat het te laat is. De vraag hoe men dit proces in realtime kan observeren, om precies te zien hoeveel straling de patiënt daadwerkelijk ontvangt en hoe de tumor daarop reageert, is een kritieke uitdaging geworden in de moderne geneeskunde.
Een team van onderzoekers uit Ghana, onder leiding van Emmanuel Amponsah en collega's aan de Kwame Nkrumah University of Science and Technology, zette zich af om de huidige kaart van de instrumenten die worden gebruikt om deze vraag te beantwoorden, in kaart te brengen. Ze voerden een brede review uit van de wetenschappelijke literatuur gepubliceerd tussen 2010 en 2024, waarbij ze zochten naar studies die keken naar hoe artsen radiotherapie monitoren. Ze richtten zich op twee hoofdwijzen waarop straling wordt toegediend: stralen van buiten het lichaam en radioactieve bronnen die direct in of nabij de tumor worden geplaatst. Na het doorzoeken van honderden rapporten selecteerden ze eenentwintig studies die aan hun strikte criteria voldeden, inclusief klinische trials, computersimulaties en promotieonderzoek. Hun doel was niet om een nieuwe machine uit te vinden, maar om te begrijpen welke instrumenten momenteel bestaan, hoe goed ze werken en waar de hiaten blijven in de inspanning om het succes van de behandeling te volgen.
De onderzoekers ontdekten dat de huidige aanpak steunt op drie duidelijke pijlers die samenwerken. De eerste pijler is een methode genaamd in vivo dosimetrie. Dit houdt in dat kleine detectoren direct op of in een patiënt worden geplaatst om de werkelijke hoeveelheid straling te meten die het lichaam tijdens de behandeling raakt. In plaats van alleen een computerplan te vertrouwen, vertellen deze detectoren de arts precies welke dosis is toegediend. De review benadrukte dat hoewel deze methode krachtig is om de veiligheid te waarborgen, deze nog niet in elk ziekenhuis wordt gebruikt. Sommige detectoren werken direct, waardoor artsen een behandeltraject kunnen stoppen als de dosis onjuist is, terwijl andere een vertraging vereisen voordat ze kunnen worden uitgelezen. De studies toonden aan dat deze instrumenten kleine fouten kunnen opvangen, waarbij sommige metingen minder dan één procent afwijken van het plan, maar de technologie wordt nog steeds verfijnd om soepel in de routinezorg te werken.
De tweede pijler is beeldvorming, die naar de tumor zelf kijkt. De review maakte onderscheid tussen standaard scans, die de vorm en grootte van een tumor laten zien, en functionele scans, die onthullen hoe de tumor werkt. Standaard scans, zoals computertomografie, zijn gebruikelijk en goed in het laten zien of een massa kleiner wordt. De onderzoekers vonden echter dat functionele magnetische resonantiefotografie (fMRI) veel gevoeliger is voor vroege veranderingen. Deze geavanceerde scans kunnen verschuivingen detecteren in hoe water door de tumor beweegt of hoe de bloedtoevoer naar de tumor verloopt, wat een inkijkje geeft in de biologische respons voordat de tumor fysiek krimpt. Zo merkte één studie op dat specifieke metingen van deze scans het onderscheid konden maken tussen patiënten die een volledige metabole respons bereikten en zij die dat niet deden. Een andere studie vond dat het combineren van verschillende soorten scans, zoals scans die zowel structuur als metabolisme laten zien, een duidelijker beeld gaf van hoe de behandeling de omgeving van de tumor beïnvloedde.
De derde pijler is het gebruik van kunstmatige intelligentie en radiomics. Radiomics is een techniek waarbij computers worden gebruikt om duizenden minuscule, onzichtbare details uit medische beelden te halen—details die te subtiel zijn voor het menselijk oog. Kunstmatige intelligentie analyseert vervolgens deze details om te voorspellen hoe een patiënt op de behandeling zal reageren. De review vond dat deze computermodellen veelbelovend zijn. In studies naar kanker van de baarmoederhals, prostaat en het rectum, konden deze modellen de uitkomsten met hoge nauwkeurigheid voorspellen, soms zelfs de prestaties van traditionele methoden evenaren of overtreffen. Zo testte één studie twaalf verschillende computeralgoritmen en vond dat één algoritme het succes van de behandeling met een nauwkeurigheid van 93 procent kon voorspellen. Deze instrumenten stellen artsen in staat om naar de data te kijken en te voorzien of een tumor waarschijnlijk zal krimpen of dat de behandeling moet worden aangepast, wat potentieel tijd bespaart en de resultaten verbetert.
Ondanks deze vooruitgang identificeerden de onderzoekers aanzienlijke hiaten in de toepassing van deze instrumenten. Ze creëerden een kaart van het bewijs en ontdekten dat hoewel sommige kankersoorten, zoals die van de baarmoederhals en de prostaat, goed bestudeerd zijn, andere zoals borst- en longkanker zeer weinig onderzoek kennen naar hoe ze met deze specifieke instrumenten gemonitord kunnen worden. Belangrijker nog was dat ze ontdekten dat geen enkele studie erin geslaagd is om alle drie de pijlers—het meten van de dosis, het scannen van de tumor en het gebruik van kunstmatige intelligentie—te combineren in één enkel, verenigd systeem. Momenteel werken deze methoden vaak geïsoleerd. Een arts kan de dosis controleren, dan een scan bekijken, en vervolgens een computermodel apart gebruiken, in plaats van een systeem te hebben dat al deze informatie tegelijkertijd integreert om de behandeling in realtime te sturen.
De auteurs concluderen dat hoewel de technologie om de respons op de behandeling te monitoren snel vordert, deze nog niet klaar is voor breed, gestandaardiseerd gebruik in elke kliniek. De instrumenten bestaan, van de minuscule detectoren die straling meten tot de slimme computers die beelden analyseren, maar ze moeten nog grondiger worden getest en naadloos op elkaar worden afgestemd. De review suggereert dat de toekomst van radiotherapie ligt in het samenbrengen van deze drie gebieden in een gesloten lus, waarbij de dosis, het beeld en de voorspelling elkaar voortdurend informeren. Tot die tijd moet de medische gemeenschap deze methoden blijven verfijnen, om ervoor te zorgen dat de belofte van precies zien hoe een tumor op de behandeling reageert, een realiteit wordt voor elke patiënt, en niet alleen voor hen in gespecialiseerde onderzoekscentra.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.