Toward Actionable Digital Twins for Radiation-Based Imaging and Therapy: Mathematical Formulation, Modular Workflow, and an OpenKBP-Based Dose-Surrogate Prototype

Título: Rumo a Gêmeos Digitais Acionáveis para Imagem e Terapia Baseadas em Radiação: Formulação Matemática, Fluxo de Trabalho Modular e um Protótipo de Surrogato de Dose Baseado em OpenKBP

Autores: Hsin-Hsiung Huang e Bulent Soykan (Universidade da Flórida Central).

1. O Problema

Os gêmeos digitais na medicina, especialmente em radioterapia e imagem baseada em radiação, são frequentemente limitados a simuladores estáticos ou modelos de previsão "one-shot" (única execução). Os desafios principais identificados são:

• Falta de Atualização Dinâmica: A maioria dos modelos de previsão de dose não mantém um estado do paciente ao longo do tempo, nem incorpora novas observações (como logs de dose entregue ou imagens repetidas) durante o tratamento.
• Incerteza Não Quantificada: Modelos existentes raramente expressam a incerteza de forma que possa guiar decisões clínicas sob restrições de segurança.
• Desconexão entre Previsão e Decisão: Não há um mecanismo formal que conecte a previsão de dose, a propagação de incerteza e a seleção de ações clínicas (como adaptação de plano) dentro de um único ciclo de feedback.
• Falta de Dados Longitudinais Públicos: Conjuntos de dados abertos, como o OpenKBP, são essenciais para reprodutibilidade, mas carecem de logs de dose entregue e imagens repetidas necessárias para validar gêmeos digitais bidirecionais completos.

2. Metodologia

Os autores propõem um framework modular de gêmeo digital acionável e implementam um protótipo reprodutível utilizando o benchmark OpenKBP (Open-access Knowledge-Based Planning).

A. Formulação Matemática e Arquitetura Modular

O framework é organizado em cinco módulos interconectados:

1. PatientData (Dados do Paciente): Assimila imagens (CT/CBCT), estruturas, logs de dose e resultados.
2. Model (Modelo): Um modelo híbrido (físico e aprendido) que atua como um surrogato de dose.
3. Solver (Resolvedor): Realiza previsões forward e calcula sensibilidades para calibração.
4. Calibration (Calibração): Atualiza o estado latente do paciente e parâmetros do modelo usando novos dados (filtragem bayesiana ou atualização MAP).
5. Decision (Decisão): Seleciona ações clínicas (ex: seleção de plano, modulação espacial) baseadas em utilidades biológicas e restrições de segurança probabilísticas.

O modelo de estado segue uma equação de espaço de estados onde o estado latente $x_t$ (anatomia, dose acumulada, resposta) é atualizado com base em observações $y_t$ e ações $u_t$. A decisão ótima $u^*_t$ minimiza o custo esperado sujeito a restrições de chance (probabilidade de violação de segurança $\le \alpha$).

B. Implementação do Protótipo (OpenKBP)

• Arquitetura de Rede: Reimplementação em PyTorch/MONAI de um U-Net 3D com 11 canais e ~19,2 milhões de parâmetros.
• Treinamento: Otimizado com uma função de perda mascarada (masked loss) sobre a região viável de dose, utilizando o benchmark OpenKBP.
• Quantificação de Incerteza: Utilização de Dropout de Monte Carlo durante a inferência para gerar um ensemble de previsões estocásticas, permitindo a extração de incerteza epistêmica voxel a voxel.
• Calibração Proxy: Como o OpenKBP não possui dados longitudinais reais, os autores simulam um loop de atualização "proxy": o codificador (encoder) é congelado (para preservar características anatômicas) e o decodificador (decoder) é adaptado via transfer learning para simular sinais de QA de frações iniciais.
• Métricas de Decisão: Uso de utilidades baseadas em DVH (Histograma Dose-Volume) e penalidades de incerteza para selecionar ações virtuais.

3. Principais Contribuições

1. Formulação Teórica: Definição formal de um gêmeo digital acionável que integra atualização de estado, propagação de incerteza e seleção de ações sob restrições de chance.
2. Protótipo Reprodutível: Implementação completa de um pipeline de gêmeo digital baseado em dados abertos (OpenKBP), incluindo inferência estocástica e recalibração sequencial.
3. Integração de Incerteza na Decisão: Demonstração de como a incerteza voxel a voxel pode ser propagada para métricas clínicas (DVH) e utilizada para desencadear adaptações de plano virtuais.
4. Benchmark de Avaliação: Estabelecimento de uma base para testar não apenas a precisão da dose, mas também a capacidade de adaptação e a gestão de incerteza em um ambiente controlado.

4. Resultados

O modelo foi avaliado em um conjunto de teste de 100 pacientes do OpenKBP:

• Desempenho de Previsão:
  • Pontuação média de Dose (Dose Score): 2,65 ± 0,42 Gy.
  • Pontuação média de DVH (DVH Score): 1,82 ± 0,55 Gy.
• Eficiência Computacional:
  • Tempo de inferência médio por paciente: 0,58 segundos.
  • Um ciclo completo de três frações (incluindo recalibração, inferência Monte Carlo e otimização espacial) executou em 10,3 segundos.
• Diagnóstico de Incerteza:
  • A incerteza epistêmica foi localizada corretamente em regiões de gradientes de dose íngremes e interfaces entre alvos e órgãos de risco (OARs).
  • A propagação para DVH mostrou intervalos preditivos de 95%, demonstrando que a incerteza do modelo pode ser visualizada em métricas clínicas.
• Simulação de Adaptação:
  • Em um experimento virtual com deslocamento anatômico simulado na fração 10, o sistema detectou o aumento da incerteza, disparou recalibração e adaptações, reduzindo a incerteza, embora não tenha retornado totalmente o risco projetado (NTCP) aos níveis de referência, validando o conceito mas destacando limitações atuais do controlador.

5. Significado e Conclusão

Este trabalho representa um passo crucial na transição de modelos de IA estáticos para gêmeos digitais dinâmicos e acionáveis em radioterapia.

• Validação de Conceito: Demonstra que é possível integrar previsão de dose, quantificação de incerteza e lógica de decisão em um fluxo de trabalho modular e reprodutível.
• Ponte para a Prática Clínica: Embora o estudo atual seja um protótipo baseado em benchmark estático (sem dados longitudinais reais de dose entregue), ele estabelece a infraestrutura técnica necessária para futuros estudos institucionais que utilizarão logs de tratamento reais e imagens repetidas.
• Impacto Futuro: O framework sugere que a próxima geração de sistemas de planejamento radioterápico não apenas preverá a dose, mas também monitorará a confiança dessa previsão e recomendará adaptações de tratamento em tempo real para garantir a segurança e eficácia do paciente.

O artigo conclui que, embora não seja um sistema clínico validado, o protótipo oferece uma fundação técnica sólida para o desenvolvimento de radioterapia adaptativa individualizada.