Radiothérapie guidée par Résonance Magnétique & Adaptée par Intelligence Artificielle

Artificial Intelligence Adaptative Magnetic Resonance Radiotherapy

• Auteur / Autrice : Paul Dubois
• Direction : Nikos Paragios
• Type : Projet de thèse
• Discipline(s) : Mathématiques appliquées
• Date : Inscription en doctorat le 04/10/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Interfaces : matériaux, systèmes, usages (Palaiseau, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Mathématiques et Informatique pour la Complexité et les Systèmes - EA 4037
• Partenaire(s) de recherche : Référent : CentraleSupélec (2015-....)

Mots clés

Mots clés libres

RT guidée par RM

Radiothérapie guidée par IA

Santée digitale

Traitement adptatif

Cancer

Apprentissage profond

Deep-learning

Digital health

Adaptive treatment

AI-guided radiation therapy

MR-guided RT

Cancer

Résumé

Le cancer est la deuxième cause de décès dans le monde. La moitié des patients atteints de cancer reçoivent une radiothérapie (RT). La radiothérapie implique deux tâches : planification du traitement, et son administration. À ce jour, ces tâches sont préparées sur la base d'images scanneur (CT), utilisées pour déterminer et réaliser une simulation d'un modèle d'irradiation par des solutions de planification ainsi que pour le positionnement du patient pendant chaque séance de radiothérapie. Les limites de la RT actuelle guidée par CT comprennent l'exposition inutile aux rayonnements, la planification approximative de l'administration de la dose, le mauvais positionnement du patient et l'incapacité à tenir compte ses changements anatomiques. La RT guidée par IRM promet de relever tous ces défis. Evitant une dose de radiation supplémentaire, les radio oncologues acquièrent des images sans contraintes, ce qui permet de suivre la progression du traitement. Les IRM prises pendant le traitement permettent un suivi et un ciblage précis de la tumeur, offrent un meilleur contraste des tissus mous, permettent une adaptation aux évolutions anatomiques et de contrôler l'administration de la dose en fonction de l'agressivité locale et des probabilités de rechute. Ces avantages permettent aux radio-oncologues de pratiquer une RT adaptative, qui entraîne une réduction de la toxicité, des effets secondaires et de la morbidité des patients. Néanmoins, la RT basées sur IRM manquent de standardisation, d'automatisation et offrent un retour sur investissement faible en raison du nombre de patients traités par jour. Les principaux obstacles à une adoption large comprennent : la fiabilité d'une succession de tâches semi-manuelles, le besoin de personnel qualifié, le faible débit patient en raison d'un temps d'immobilisation de machine important, et l'incapacité d'une réelle adaptation locale de la dose pour un meilleur contrôle des tumeurs. Ce projet vise d'accélérer l'adoption et la propagation des traitements guidés par IRM. Notre approche vise à l'intégration de solutions d'apprentissage profond pour l'annotation automatique, rapide et robuste, l'estimation de la dose cumulative, le contrôle local de la dose et la replannification du traitement. Des méthodes avancées d'apprentissage statistique, des algorithmes d'optimisation et des simulations en temps réel seront utilisés pour intégrer l'état anatomique en temps réel d'un patient, tel qu'il est décrit dans les images IRM prises pendant la RT, dans une administration de dose à la volée, adaptée dynamiquement. Le projet de trois ans sera réalisé en quatre lots de travail par les partenaires qui sont des leaders d'opinion clés dans les domaines de l'intelligence artificielle, de l'apprentissage automatique et de l'imagerie médicale (Prof. Nikos Paragios, Dr Wolfgang Wein), et des leaders d'opinion clés dans le domaine de la RT guidée par RM, comme le Prof. Daniela Thorwarth de la Clinique Universitaire de Tübingen et Prof. Pascal Feniogletto de l'Institut du Cancer de Montpellier. Le projet accélèrera l'adoption de l'IA et de la RT guidée par RM en vue d'un traitement adaptatif et local en temps réel et contribuera grandement à l'acceptation et à la mise en œuvre de l'AI médicale pour le traitement du cancer et les soins personnalisés. La fourniture d'outils novateurs permettra d'obtenir un traitement plus efficace avec moins de toxicité, une meilleure qualité de vie et une réduction potentielle de la mortalité. La société bénéficiera grandement des nouvelles technologies grâce à la réduction des coûts de traitement, à l'amélioration générale des résultats pour les patients et à la diminution de la charge socio-économique associée au fardeau du cancer et à la perte de productivité des patients et de leurs familles. La sensibilisation aux nouvelles technologies prometteuses de l'IA pour le traitement du cancer renforcera le moral et réduira la peur associée au cancer.

Cancer is the leading cause of mortality and morbidity globally. In Germany, almost 500,000 people are newly diagnosed with cancer every year, with new cancer cases expected to rise by around 23 % in Germany by 2030. In 2018, the number of new cancer cases for all cancer sites combined in metropolitan France was estimated to be 382,000. Radiation therapy (RT) is used in more than 50% of patients treated for cancer. As the number of cancer cases rises, so does the demand for radiotherapy, expected to increase even more in the future (16% by 2025). However, the existing infrastructure is insufficient for the growing demand, with an average of only one radiotherapy machine available per 150,000 for high-income countries. In addition to the increase in demand because of the higher incidence, both the increasing number and complexity of treatments available are leading to higher treatment associated costs. In 2012, the French state health insurance scheme spent €14.5 billion on treating cancer patients. Radiation therapy involves a series of tasks: patient preparation, therapy planning, delivery, and follow up. To date, these steps are mostly prepared based on computed tomography (CT) image data, used to determine, and perform a simulation of a patient specific model of irradiation by semi-automated treatment planning systems (TPS) as well as for patient's positioning during each radiation session. Segmentation of the target and organs at risk (OARs) during treatment planning is important to ensure accurate target dose delivery and reduce radiation to normal tissue and subsequent toxicity. Both the segmentation of the target (tumor region) and the OARs are used as input to the TPS to calculate the radiation exposure time and the beam configurations needed to deliver a prescribed dose for a given linear accelerator. The resulting plan is used as a basis for delivery of the radiation therapy using linear accelerators (LINAC). Image-guided radiation therapy (IGRT) affords greater accuracy of dose distribution as it enables the radiation oncologist to observe how a tumor is responding over the course of treatment. Several imaging technologies are available to facilitate optimizing treatment positioning accuracy and precision such as X-rays and CT scans. However, these machines require extra radiation exposure for the patient, causing dose-related toxicity, with relatively poor contrast in soft tissue due to uniform electron density. To account for this limitation, safety margins are added to the dose plan, leading to a much higher administered dose, longer therapy than necessary and eventually suboptimal outcome. Reduction of margins has been linked to significant reduced severity, frequency, and duration of radiation-related toxicity. None of these technologies have better soft tissue contrast than magnetic resonance imaging (MRI). Some of these modalities can be useful for minimizing and correcting rigid misalignments between images but are lacking when it comes to adaptive RT techniques to modify the patient treatment plan according to both geometric and anatomical changes naturally occurred due to weight loss, tumor reduction or expansion, etc.