Évaluation d'algorithmes de délinéation et de planification de traitement basés sur l'intelligence artificielle pour la radiothérapie externe
Notice bibliographique
Résumé
La radiothérapie externe vise à traiter les cellules cancéreuses en utilisant des rayonnements ionisants. L'enjeu est d'irradier de manière précise les volumes cibles tout en préservant les organes sains avoisinants. Ces traitements reposent, entre autres, sur la délinéation des régions d'intérêt et la planification des traitements, réalisés à laide de systèmes de planification de traitement (TPS). Ces processus sont répétitifs, exigeant à la fois de la précision et du temps. Ils sont réalisés manuellement, leur qualité et leur durée d'exécution dépendant, en partie de l'opérateur. Dans ce contexte, des solutions d'automatisation voient le jour, promettant un gain de temps et une uniformisation des pratiques tout en préservant ou améliorant la qualité de ces traitements. L'objectif de cette thèse est dévaluer et de mettre cliniquement en œuvre 2 algorithmes, basés sur l'intelligence artificielle (IA), l'un pour la segmentation automatique et l'autre pour la planification de traitement automatique. Ces algorithmes sont disponibles dans le TPS RayStation (RS ; RaySearch Medical Laboratories AB, Stockholm, Sweden). Dans un premier chapitre, nous présentons lenvironnement clinique dans lequel les techniques d'automatisation sont mises en œuvre. Le deuxième chapitre concerne l'algorithme de segmentation automatique. Celui-ci est évalué quantitativement et qualitativement par rapport à des structures de référence validées par des radiothérapeutes. D'abord, l'IA est comparée à 2 autres algorithmes présents dans RS: l'un basé sur des atlas multiples et l'autre sur des modèles statistiques. Ensuite une validation de l'IA est réalisée pour 24 organes différents appartenant au thorax, à l'abdomen, à la tête et au cou. Enfin, cette IA est comparée à une seconde IA disponible dans autre logiciel de segmentation automatique appelé Limbus (Limbus AI Inc., Regina, SK, Canada). Le troisième chapitre est consacré aux techniques d'automatisation de plans de traitements à laide d'IA. D'abord, nous décrivons la construction de 3 bases de données (BdD) fournies à RaySearch. Elles permettent de créer des modèles d'IA, adaptés à nos pratiques cliniques pour les traitements de pelvis et encéphale in toto. Cette IA est évaluée par comparaison aux plans réalisés manuellement et par un algorithme d'optimisation multicritère (MCO), démontrant l'intérêt de l'IA en routine clinique. Les modèles sont ajustés à laide dune cohorte de 100 patients, permettant également, de valider l'acceptabilité et la délivrabilité des plans générés automatiquement pour les localisations pelviennes. Néanmoins, ces plans sont perfectibles et peuvent être améliorés manuellement par les opérateurs. Nous présentons, dans la suite ce chapitre, un retour d'expérience sur l'utilisation clinique de l'IA pour les 79 premiers plans de traitement générés automatiquement et améliorés manuellement. La fin de ce chapitre se focalise sur l'intérêt d'entrainer l'IA avec une base de données construite à partir de plans générés par MCO. L'évaluation de l'IA, par comparaison aux plans réalisés manuellement et aux plans MCO, révèle que les plans générés par IA n'égalent pas les qualités des plans issus du MCO mais améliorent ceux des plans manuels. Dans un dernier chapitre, nous proposons un mode d'emploi de la mise en œuvre clinique des méthodes automatiques. Allant de la définition des attendus à l'éthique d'utilisation des IA, en passant par l'utilisation de scripts python développés sur site et du développement, des méthode de validation et des limites rencontrées de chaque type d'automatisation. En définitive, les algorithmes évalués dans cette thèse et notamment les IA, permettent de gagner du temps, d'uniformiser les pratiques et aident à améliorer la qualité de la planification de traitement. Cependant, leurs mises en place nécessitent un travail préliminaire conséquent et leurs utilisations doivent être combinées à l'expertise humaine pour assurer la qualité des traitements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».