[論文レビュー] Knowledge-based Radiation Treatment Planning: A Data-driven Method Survey

Shadab Momin, Yabo Fu+6 more|arXiv (Cornell University)|Sep 15, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 157被引用数 8

ひとこと要約

本論文は、過去10年間のデータ駆動型知識ベース放射線治療計画（KBP）手法を調査し、従来のKBP（幾何学的・解剖学的特徴と機械学習を用いる）とディープラーニング（DL）に基づくアプローチに分類している。DLは、生の画像データからのエンドツーエンド学習により、線量予測において優れた性能を示しているが、計画の実行可能性と病院間でのデータの多様性という課題も指摘している。

ABSTRACT

This paper surveys the data-driven dose prediction approaches introduced for knowledge-based planning (KBP) in the last decade. These methods were classified into two major categories according to their methods and techniques of utilizing previous knowledge: traditional KBP methods and deep-learning-based methods. Previous studies that required geometric or anatomical features to either find the best matched case(s) from repository of previously delivered treatment plans or build prediction models were included in traditional methods category, whereas deep-learning-based methods included studies that trained neural networks to make dose prediction. A comprehensive review of each category is presented, highlighting key parameters, methods, and their outlooks in terms of dose prediction over the years. We separated the cited works according to the framework and cancer site in each category. Finally, we briefly discuss the performance of both traditional KBP methods and deep-learning-based methods, and future trends of both data-driven KBP approaches.

研究の動機と目的

• 過去10年間における知識ベース放射線治療計画（KBP）のデータ駆動型線量予測手法をレビューし、分類すること。
• 幾何学的特徴と機械学習を用いる従来のKBPと、ディープラーニング（DL）に基づくKBPの性能と手法を比較すること。
• 従来のKBPおよびDLベースのKBPフレームワークにおける線量予測精度に影響を与える主要なパラメータを特定すること。
• データの多様性、計画の実行可能性、および自動化された治療計画における臨床統合の必要性といった課題について議論すること。
• データ駆動型アプローチを用いた完全自動化可能で臨床的に実用可能な治療計画システムへの今後の研究方向性を提示すること。

提案手法

• KBP、機械学習（ML）、ディープラーニング（DL）、線量予測、治療計画自動化に関するキーワードを用いて、Scopus、Web of Science、PubMed、Google Scholar、arXiv.orgで包括的な文献サーチを実施した。
• 従来のKBP（アトラスベース、統計的モデリング、機械学習）とディープラーニングベースの手法の2つの主要カテゴリに分類し、90件以上の従来KBP研究および約30件のDLベースのKBP研究を分類した。
• 線量予測性能に影響を与える主要なパラメータ（画像特徴、解剖的重複度（例：PTV-OARボリューム）、モデルアーキテクチャ（例：U-Net、CNN））をレビューした。
• 入力データ（例：CT画像、輪郭）およびモデル設計が、特に異なるがん部位（例：頭頸部、前立腺、肺、乳房）における予測精度に与える影響を分析した。
• 線量予測を逆問題最適化と統合し、線量マップ生成による計画の実行可能性向上と人的介入の低減を検討した。
• 転移学習による施設間モデル適応や、適応的遠位療法（ART）におけるリアルタイム予測といった、新たなトレンドを検討した。

実験結果

リサーチクエスチョン

• RQ1 幾何学的特徴と機械学習を用いる従来のKBP手法は、ディープラーニングベースのアプローチと比較して、線量予測の精度と効率性においてどのように異なるか？
• RQ2 従来のKBPおよびDLベースのKBPにおいて、線量予測性能に最も顕著に影響を与える主要なパラメータと入力特徴は何か？
• RQ3 データ駆動型KBP手法は、臨床的計画品質と実行可能性を維持しつつ、治療計画の効率をどの程度向上させるか？
• RQ4 多様な臨床施設におけるデータ品質と治療プロトコルの違いを考慮した場合、データ駆動型KBPの展開における主な課題は何か？
• RQ5 ディープラーニングベースのKBPは、線量マップ予測と計画実行最適化を含む完全自動化された治療計画パイプラインにどのように統合できるか？

主な発見

• アトラスベースや機械学習を用いる従来のKBP手法は、熟練したプランナーと同等またはそれ以上の線量予測性能を示しており、計画の効率性が顕著に向上している。
• 特にU-Netや畳み込みニューラルネットワーク（CNN）を用いたディープラーニングベースのKBP手法は、手動による特徴抽出を不要とし、生の画像データから複雑なパターンを直接学習できるため、線量予測の精度が優れている。
• 予測誤差が低いにもかかわらず、ある研究では7つのDLベースの手法のうち5つが臨床的基準を満たさなかったことから、予測精度が高かろうとも、実行可能性や臨床的受容性を保証するわけではないことが示された。
• 完全に自動化されたパイプラインで、最小限の人的介入で完全で実行可能な治療計画を生成できた研究はごくわずかであり、臨床応用における大きなギャップが浮き彫りになった。
• 施設間でのデータ多様性に対応し、多様な臨床環境におけるモデルの汎化能力を向上させるために、転移学習やモデル適応が重要な戦略として浮上している。
• 線量予測を逆問題最適化エンジンや直接的な線量マップ生成と統合する今後のアプローチは、自動化された治療計画の効率性と臨床的実現可能性を高める強力な可能性を秘めている。