Évaluation du Machine Learning pour la planification de traitement dans RayStation

Abstract

L’objectif de ce mémoire est de faire une évaluation de la qualité des plans de traitement VMAT optimisés avec l’intelligence artificielle notamment le Machine Learning/Deep Learning par rapport aux plans classiques dans RayStation pour une intégration en routine clinique. La qualité des plans a été évaluée en terme de conformation au PTV et de la protection de tissus sains grâce aux indices de conformité et d’homogénéité. La complexité des plans pour les deux modalités de planification est examinée à partir de la précision du calcul de dose à l’aide de la métrique LOIC et de la délivrabilité du traitement par la machine grâce à la métrique MCSv. Les plans sont répartis en trois groupes selon la prescription. L’analyse statistique des plans est effectué avec le test signé de Wilcoxon. La conformation au PTV est presque équivalente pour les deux modalités de planification du groupe 1 (20 x 300 cGy) avec pour valeur moyenne 0,84 et non significative. Par contre, la planification automatisée est plus conforme que la planification manuelle pour le groupe 2 (25 x 263 cGy). Les valeurs obtenues sont respectivement 0,839 +/- 0,066 et 0,826 +/- 0,033. Le plan automatisé est aussi plus conforme dans le groupe 3 (25 x 275 cGy). Par ailleurs, ces plans sont plus homogènes que les plans classiques pour les trois groupes. La valeur du MCSv est en moyenne plus faible pour les plans automatisés et le LOIC est en moyenne plus élevé par rapport à la valeur du plan original. Ceci montre que les plans optimisés avec Machine Learning sont plus modulés, induisant une augmentation des unités moniteurs. Les mesures réalisées avec l’ArcCHECK ont permis de déterminer l’indice. Les résultats du groupe 1 ont revélé que les différences n’étaient pas statistiquement significatives pour le critère 3%/3mm mais significatives pour le critère 3%/2mm. Par contre, pour le groupe 2, le test de Wilcoxon a démontré que la différence de valeur moyenne était statistiquement significative pour le critère 3%/3mm et non significative pour le critère 3%/2mm. L’introduction de la planification automatisée en routine clinique est favorable puisqu’on obtient une meilleure conformation et une meilleure homogénéité de la dose au PTV bien que les métriques donnent des valeurs moins bonnes mais restent acceptables. Néanmoins, les mesures avec l’ArcCHECK montrent que la machine n’aura aucune difficulté à délivrer le traitement. De plus, la durée pour réaliser un plan de traitement acceptable avec ML reste très inférieure à la durée pour un plan optimisé manuellement.