La radioterapia vera e propria è preceduta da una complessa pianificazione, con una precisa determinazione del volume bersaglio e delle regioni limitrofe da irradiare. La definizione del PTV è un compito centrale del radioterapista. I tentativi di supportare questo processo con software di elaborazione delle immagini esistono da molto tempo. Tuttavia, è stato lo sviluppo del deep learning a portare progressi decisivi in questo campo. Il deep learning, sistema caratterizzato da un'architettura a più strati interconnessi, forma una sorta di rete neurale artificiale in grado di elaborare enormi quantità di dati e di "imparare" da essi.
I radio-oncologi Peeks e Combs hanno esaminato in che misura l'IA può già aiutare nella pianificazione della radioterapia.
Esistono già le prime soluzioni software approvate per il contouring e la segmentazione automatizzati delle strutture anatomiche. Offrono chiari vantaggi nell'applicazione clinica, come ormai dimostrato da numerosi studi. Ad esempio, l'uso di strumenti di autocontouring può far risparmiare una quantità significativa di tempo. Allo stesso tempo, sono necessarie meno correzioni manuali. Inoltre, i processi clinici possono essere standardizzati e quindi migliorati.
Il fatto che l'IA in radioterapia non sia solo un vantaggio teorico, ma possa in ultima analisi migliorare i risultati, è stato dimostrato da uno studio sulla radioterapia dei carcinomi polmonari. Il contouring automatico della struttura cardiaca ha ridotto l'esposizione media alle radiazioni rispetto all'acquisizione manuale. Ciò è stato a sua volta correlato a una sopravvivenza globale più lunga.
Le reti neurali hanno permesso di ottenere un'elevata qualità di segmentazione anche nel contouring delle metastasi cerebrali e dell'edema che le accompagna. Anche i volumi target clinici (CTV) dei canali di drenaggio linfatico regionali, spesso non chiaramente delineati e comprendenti diverse strutture anatomiche, sono già stati segmentati con successo grazie all'IA.
Nonostante tutti i progressi tecnici, il controllo manuale da parte del radioterapista rimane indispensabile, secondo gli autori. Da un lato, le soluzioni software stanno ancora raggiungendo i loro limiti, soprattutto per le piccole strutture e gli organi con posizioni variabili. Ma l'intero processo è così complesso, con vari metodi di imaging e numerose variabili clinico-patologiche, che non può (ancora) essere completamente automatizzato.
E anche se un giorno sarà possibile integrare tutti i metodi di imaging e le variabili clinico-patologiche nel software, il radioterapista dovrà in ultima analisi controllare il risultato e correggerlo manualmente, se necessario.
Le applicazioni basate sull'intelligenza artificiale nel campo della radio-oncologia si stanno sviluppando rapidamente. Le soluzioni software approvate possono già supportare la pianificazione del trattamento. In futuro, con l'aiuto dell'IA, la radioterapia potrebbe essere adattata in modo ancora più personalizzato ai pazienti. Ma una cosa è chiara: l'ultima parola spetta ai radioterapisti.
Fonte: Peeken, J.C., Combs, S.E. Anwendung künstlicher Intelligenz in der Radioonkologie. Onkologie 29, 876–882 (2023). https://doi.org/10.1007/s00761-023-01351-8