Radiothérapie cérébrale : un clic au lieu d'un réglage manuel express
Lorsqu'une tumeur affecte tout le cerveau, les médecins irradient l'ensemble de l'organe. C'est une méthode fiable, mais le réglage de l'irradiation est un travail minutieux : il faut choisir les paramètres pour que la tumeur reçoive la dose appropriée tout en épargnant au maximum les yeux et les cristallins. En général, un spécialiste y consacre environ 15 minutes, en ajustant manuellement les réglages dans le logiciel.
Aujourd'hui, ce processus a été accéléré. Les chercheurs ont entraîné un réseau de neurones sur 55 cas réels : il analysait la forme de la tumeur et la position des organes sensibles, puis prédisait les réglages optimaux. Ensuite, le programme construisait lui-même le plan d'irradiation. Si le médecin n'était pas satisfait, il pouvait simplement le dire au micro — l'assistant vocal, basé sur un grand modèle de langage, comprenait la remarque et recalculait le plan. Lors des tests, sur 15 nouveaux cas, 14 plans générés par le réseau ont été jugés cliniquement acceptables. Les doses pour les yeux et les cristallins étaient identiques à celles des plans conçus par l'homme. Et tout le processus prenait environ 7 minutes au lieu de 15 — et un seul clic de souris.
Cette approche fait gagner du temps aux oncologues et réduit la dépendance à l'expérience personnelle. À l'avenir, de tels systèmes pourront aider dans les hôpitaux qui ne disposent pas de spécialistes en planification d'irradiation.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2601.00685
Whole-brain radiotherapy (WBRT) is a common treatment due to its simplicity and effectiveness. While automated Field-in-Field (Auto-FiF) functions assist WBRT planning in modern treatment planning systems, it still requires manual approaches for optimal plan generation including patient-specific hyperparameters definition and plan refinement based on quality feedback. This study introduces an automated WBRT planning pipeline that integrates a deep learning (DL) Hyperparameter Prediction model for patient-specific parameter generation and a large-language model (LLM)-based conversational interface for interactive plan refinement. The Hyperparameter Prediction module was trained on 55 WBRT cases using geometric features of clinical target volume (CTV) and organs at risk (OARs) to determine optimal Auto-FiF settings in RayStation treatment planning system. Plans were generated under predicted hyperparameters. For cases in which the generated plan was suboptimal, quality feedback via voice input was captured by a Conversation module, transcribed using Whisper, and interpreted by GPT-4o to adjust planning settings. Plan quality was evaluated in 15 independent cases using clinical metrics and expert review, and model explainability was supported through analysis of feature importance. Fourteen of 15 DL-generated plans were clinically acceptable. Normalized to identical CTV D95% as the clinical plans, the DL-generated and clinical plans showed no statistically significant differences in doses to the eyes, lenses, or CTV dose metrics D1% and D99%. The DL-based planning required under 1 minute of computation and achieved total workflow execution in approximately 7 minutes with a single mouse click, compared to 15 minutes for manual planning. In cases requiring adjustment, the Conversational module successfully improved dose conformity and hotspot reduction.
Le réseau de neurones trouve les réglages plus vite qu'une bouilloire ne bout : moins d'une minute, alors qu'un humain a besoin d'environ 15 minutes.