Kunstig intelligens ved stråleterapi: Prestasjonen ved automatisering av doseplanlegging

Abstract

Bakgrunn Kunstig intelligens har i de senere årene fått økt oppmerksomhet innenfor helse. Media har fremhevet tidligere studier hvor maskiner allerede er i stand til å prestere bedre enn helsearbeidere. Utviklingen av automatiserte teknikker for å generere doseplaner for strålebehandling av kreft, vil kunne føre til mer tidseffektiv arbeidsflyt, mindre uønsket dose og reduksjon av menneskelige feil.

Hensikt Hensikten med denne litteraturstudien er å sammenligne prestasjon mellom automatiserte og manuelle doseplanleggingsteknikker ved strålebehandling av bryst, prostata og øre-nese-hals området.

Metode Det ble gjennomført et systematisk søk i tre databaser; ScienceDirect, PubMed og Engineering Village. Søkene ble avgrenset til publiserte originalartikler i tidsrommet 2015–2020. De inkluderte studiene handlet om prestasjonene til automatiserte og manuelle doseplanleggingssystem for følgende målorgan: bryst, prostata og øre-nese-hals. En sammenligning av planleggingssystemene ble basert på vurderingskriteriene: tid, dosimetriske parametre, samt dosebesparing til risikoorgan.

Resultat 586 studier ble vurdert, hvorav ni inkluderes i denne litteraturstudien. I åtte av studiene gjennomføres det en sammenligning mellom prestasjonene til automatiserte og manuelle doseplanleggingssystem (Studie 1–8). Den siste studien (Studie 9) sammenlignet prestasjonene til fem automatiserte planleggingssystem. Et resymé av studiene fremstilles i tabellform for å gjøre sammenligningen enklere.

Konklusjon Funnene i denne studien viser at automatiserte doseplanleggingssystem for strålebehandling (av kreft) presterer tilsvarende eller bedre enn manuelle. En økt anvendelse av automatiserte doseplanleggingssystem vil derfor kunne være fordelaktig ved å redusere både tidsbruk og dose til risikoorgan, samt bedre behandlingstilbudet for pasienten. Siden denne litteraturstudien er begrenset til ni studier om bruk av kunstig intelligens i doseplanlegging, trengs det flere studier for å sikre at resultatene er generaliserbare.

Background In recent years artificial intelligence has attracted more attention in the medical field. Media has emphasized previous studies where machines already performed better than health-care workers. The development of algorithms that are capable of automatically generating treatment plans for radiation therapy offers considerable promise. This will hopefully result in a more time efficient workflow, minimize unwanted doses and reduce human errors.

Objective The aim of this literature study is to compare the performance of automatic and manual treatment planning systems (techniques) in radiation therapy for breast, prostate and head & neck cancer.

Methods A systematic search was undertaken in three databases; ScienceDirect, PubMed and Engineering Village. The searches were limited to original articles published in the timespan 2015–2020. The included studies covered the performance of automatic and manual treatment planning systems for the following target organs: breast, prostate and head & neck cancer. A comparison of the treatment planning systems was based on the assessment criteria: time, dosimetric parameters, as well as reducing the dose delivered to organs at risk.

Results 586 studies were evaluated, of which nine are included in this literature study. In eight of these studies a comparison between automatic and manual treatment planning systems’ performance was made (Studies 1–8). In the last study, five automatic planning systems are compared. A resumé of the studies are presented in table form for ease of comparison.

Conclusion The findings in this study show that automatic treatment planning systems for radiation therapy performs equally or better than manual techniques. An increased use of automatic systems for treatment planning will therefore be advantageous as both time used and dose to organs at risk are reduced and the treatment regime of the patient is improved. As this literature study is limited to nine articles on the use of artificial intelligence in dose planning, more studies are needed to ensure that the results can be generalized.