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

A radioterapia é uma ferramenta poderosa para o tratamento do câncer, utilizando feixes de alta energia para destruir células malignas enquanto preserva o tecido saudável. Para tornar este tratamento preciso, os médicos utilizam um dispositivo chamado colimador multilamelar, que atua como um obturador dinâmico feito de muitas lâminas metálicas finas. Estas lâminas movem-se para dentro e para fora para moldar o feixe, esculpindo um caminho personalizado que corresponde exatamente à forma do tumor. O objetivo é entregar uma dose letal ao câncer enquanto deixa os órgãos circundantes intactos. No entanto, o maquinário não é perfeito. Tal como um obturador mecânico pode prender ou atrasar ligeiramente, estas lâminas metálicas podem por vezes mover-se para uma posição que está uma fração de milímetro fora de onde o computador as planeou. No mundo da radiação, mesmo um erro minúsculo de um milímetro pode alterar a dose que o paciente recebe, potencialmente reduzindo a eficácia do tratamento ou prejudicando o tecido saudável. Por causa disso, garantir que as lâminas estão no lugar exato e no momento exato é um desafio crítico para os físicos médicos.

Os investigadores tentam há muito tempo prever estes pequenos movimentos antes que eles aconteçam, esperando corrigi-los com antecedência. Eles testaram vários métodos computacionais, incluindo redes neurais padrão, que são sistemas modelados segundo a capacidade do cérebro humano de aprender padrões. Embora estes sistemas consigam aprender, muitas vezes têm dificuldade em ser simultaneamente rápidos e precisos, especialmente ao tentar prever a posição de cada lâmina individual numa máquina complexa. Um novo estudo de Jun Lv e colegas introduz uma abordagem diferente que combina uma rede neural padrão com um método de busca inspirado na natureza chamado Algoritmo do Milano-de-juba (Black-winged Kite Algorithm). Este algoritmo mimetiza o comportamento de caça de uma ave de rapina específica, utilizando os seus padrões de busca eficientes para encontrar as melhores configurações iniciais para o modelo computacional. Ao utilizar este método, os investigadores visaram criar um sistema que pudesse prever a localização exata das lâminas com uma precisão e velocidade muito superiores aos métodos anteriores.

A equipa testou o seu novo modelo utilizando dados de cinquenta planos de tratamento de câncer do mundo real, abrangendo tumores na cabeça e pescoço, tórax e abdómen. Eles forneceram ao computador treze informações diferentes dos registos da máquina, tais como o ângulo da fonte de radiação, a velocidade das lâminas e as posições planeadas. O objetivo era ver se o modelo conseguiria adivinhar onde as lâminas realmente terminariam quando a máquina disparasse. Os resultados foram impressionantes. O novo modelo, que chamam de BKA-BPNN, previu as posições das lâminas com um erro médio de apenas 0,0026 milímetros. Para colocar isto em perspetiva, o erro foi tão pequeno que a posição prevista era quase indistinguível da posição real, com uma correlação tão alta que era quase perfeita. Quando compararam isto com redes neurais padrão mais antigas, o novo modelo reduziu o erro em quase 90 por cento. Também desempenhou significativamente melhor do que outros métodos avançados que utilizam diferentes técnicas de otimização, cortando o erro em quase 40 por cento em comparação com a segunda melhor alternativa.

Além de ser mais preciso, o novo modelo foi também muito mais rápido. Enquanto alguns sistemas concorrentes levavam mais de uma hora para processar os dados, o modelo Black-winged Kite completou a sua tarefa em menos de um minuto. Esta velocidade é crucial porque significa que o sistema poderia potencialmente ser utilizado em tempo real ou pouco antes de um tratamento para verificar erros. Os investigadores descobriram que o modelo funcionava consistentemente bem através de diferentes números de lâminas e diferentes tipos de planos de tratamento, sugerindo que é uma ferramenta robusta que não precisa de ser retreinada para cada lâmina ou para cada novo paciente. Em contraste, modelos mais antigos frequentemente tinham dificuldades quando confrontados com a previsão de lâminas para as quais não tinham sido especificamente treinados, exigindo um treino separado para cada uma. O novo sistema lidou com todas elas com o mesmo alto nível de precisão.

O estudo também analisou como estas previsões poderiam melhorar a segurança da radioterapia. Atualmente, os médicos verificam frequentemente o desempenho da máquina depois de o tratamento estar concluído, o que é tarde demais para corrigir quaisquer erros. Este novo método oferece uma forma de prever e corrigir erros antes de o feixe sequer ser ligado. Ao identificar potenciais desvios precocemente, o sistema poderia ajudar a garantir que a dose administrada corresponde à dose planeada, protegendo os pacientes de uma exposição indesejada. Os investigadores observaram que, embora o seu modelo seja altamente eficaz, este foi testado em dados de dois tipos específicos de máquinas de radiação. Eles sugerem que trabalhos futuros devem incluir dados de uma variedade mais ampla de máquinas para garantir que o modelo funciona em todo o lado. Por agora, no entanto, o estudo demonstra que, ao combinar um algoritmo de busca inteligente com uma rede de aprendizagem, é possível prever os movimentos destes dispositivos médicos críticos com um nível de precisão que anteriormente era inalcançável, oferecendo um passo promissor para tornar o tratamento do câncer mais seguro e eficaz.