Automation in radiotherapy treatment planning: Examples of use in clinical practice and future trends for a complete automated workflow

• Published in: Cancer radiothérapie Vol. 25; no. 6-7; pp. 617 - 622
• Main Authors: Meyer, P., Biston, M.-C., Khamphan, C., Marghani, T., Mazurier, J., Bodez, V., Fezzani, L., Rigaud, P.A., Sidorski, G., Simon, L., Robert, C.
• Format: Journal Article
• Language: English
• Published: Elsevier Masson SAS 01.10.2021; Elsevier Masson
• Subjects: Automated radiotherapy treatment planning; Computer Science; Dose mimicking; Dose prediction; Image Processing; Imitation de dose; Planification de traitement automatisée; Prédiction de dose; Dose prediction; Dose mimicking; Imitation de dose; Prédiction de dose; Automated radiotherapy treatment planning; Planification de traitement automatisée
• ISSN: 1278-3218; 1769-6658
• DOI: 10.1016/j.canrad.2021.06.006

Modern radiotherapy treatment planning is a complex and time-consuming process that requires the skills of experienced users to obtain quality plans. Since the early 2000s, the automation of this planning process has become an important research topic in radiotherapy. Today, the first commercial automated treatment planning solutions are available and implemented in a growing number of clinical radiotherapy departments. It should be noted that these various commercial solutions are based on very different methods, implying a daily practice that varies from one center to another. It is likely that this change in planning practices is still in its infancy. Indeed, the rise of artificial intelligence methods, based in particular on deep learning, has recently revived research interest in this subject. The numerous articles currently being published announce a lasting and profound transformation of radiotherapy planning practices in the years to come. From this perspective, an evolution of initial training for clinical teams and the drafting of new quality assurance recommendations is desirable. La planification moderne des traitements par irradiation est un processus complexe et long qui requiert les compétences d’utilisateurs expérimentés pour obtenir des plans de qualité. Depuis le début des années 2000, l’automatisation de ce processus de planification est devenue un sujet de recherche important en radiothérapie. Aujourd’hui, les premières solutions commerciales de planification automatisée des traitements sont disponibles et mises en œuvre dans un nombre croissant de services cliniques de radiothérapie. Il faut noter que ces différentes solutions commerciales sont basées sur des méthodes très différentes, impliquant une pratique quotidienne variable d’un centre à l’autre. Il est probable que cette évolution des pratiques de planification n’en soit qu’à ses débuts. En effet, l’essor des méthodes d’intelligence artificielle, basées notamment sur le deep learning, a récemment relancé l’intérêt des chercheurs pour ce sujet. Les nombreux articles actuellement publiés annoncent une transformation durable et profonde des pratiques de planification des plans de traitement par irradiation dans les années à venir. Dans cette perspective, une évolution de la formation initiale des équipes cliniques et la rédaction de nouvelles recommandations d’assurance qualité sont souhaitables.