Évaluation d'algorithmes de délinéation et de planification de traitement basés sur l'intelligence artificielle pour la radiothérapie externe
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".