[논문 리뷰] Applications of Artificial Intelligence in Particle Radiotherapy

Chao Wu, Dan Nguyen외 4명|arXiv (Cornell University)|2021. 02. 05.

Advanced Radiotherapy Techniques참고 문헌 118인용 수 4

한 줄 요약

이 논문은 입자 방사선 치료에서 인공지능(AI) 응용에 대한 종합적인 리뷰를 제공하며, 치료 계획 수립, 적응형 치료, 영역 및 선량 검증, 기타 임상 워크플로우를 중심으로 다룹니다. AI가 입자 치료의 물리적 이점을 활용하여 정확성과 효율성을 향상시키는 방식을 보여주지만, 광범위한 임상적 도입을 위한 과제가 여전히 남아 있습니다.

ABSTRACT

Radiotherapy, due to its technology-intensive nature and reliance on digital data and human-machine interactions, is particularly suited to benefit from artificial intelligence (AI) to improve the accuracy and efficiency of its clinical workflow. Recently, various artificial intelligence (AI) methods have been successfully developed to exploit the benefit of the inherent physical properties of particle therapy. Many reviews about AI applications in radiotherapy have already been published, but none were specifically dedicated to particle therapy. In this article, we present a comprehensive review of the recent published works on AI applications in particle therapy, which can be classified into particle therapy treatment planning, adaptive particle therapy, range and dose verification and other applications in particle therapy. Although promising results reported in these works demonstrate how AI-based methods can help exploit the intrinsic physic advantages of particle therapy, challenges remained to be address before AI applications in particle therapy enjoy widespread implementation in clinical practice.

연구 동기 및 목표

• 기존 문헌에서 입자 방사선 치료에 국한된 AI 응용에 초점을 맞춘 점을 고려해 연구 격차를 메우기 위해.
• 입자 치료의 본질적 물리적 특성을 활용하는 AI 방법을 식별하고 분류하여 임상 결과를 향상시키기 위한 목적.
• AI가 입자 치료 분야에서 현재까지의 상태를 평가하여 유망한 결과와 임상 구현을 저해하는 지속적인 과제를 부각시키기 위해.
• 치료 계획 수립 및 실시간 적응과 같은 입자 치료 워크플로우의 핵심 단계에서 AI 응용에 대한 체계적인 개요를 제공하기 위해.
• 미개척 영역과 AI 도입을 저해하는 기술적 장벽을 규명함으로써 향후 연구를 이끌기 위해.

제안 방법

• 임상 워크플로우 통합에 중점을 둔 입자 치료에서의 AI 응용에 관한 동료 심사 논문에 대한 체계적 리뷰.
• 치료 계획 수립, 적응형 치료, 영역 및 선량 검증, 기타 새로운 용도를 포함한 네 가지 주요 범주로 AI 응용을 분류.
• 의료 영상 및 치료 계획 데이터에 적용된 딥러닝, 컨volutional 신경망(CNN), 강화 학습 등의 AI 기법 분석.
• 환자별 영상(예: CT, PET) 및 치료 계획을 기반으로 한 AI 모델을 평가하여 최적의 빔 배열과 선량 분포를 예측.
• 영상 피드백를 활용한 실시간 AI 시스템을 통한 온라인 적응형 재계획 수립 및 영역 불확실성 보정 평가.
• 보고된 임상 및 펌프 연구 결과를 바탕으로 속도, 정확도, 내구성 측면에서 AI 기반 방법과 전통적 방법을 비교.

실험 결과

연구 질문

• RQ1 AI는 입자 치료의 치료 계획 수립 정확도와 효율성을 어떻게 향상시킬 수 있는가?
• RQ2 AI는 분획 치료 중 실시간 적응형 입자 치료를 어떻게 가능하게 할 수 있는가?
• RQ3 AI 기반 방법은 입자 치료에서 영역 및 선량 검증을 어떻게 향상시키는가?
• RQ4 AI가 입자 치료에서 광범위하게 도입되는 것을 저지하는 주요 기술적 및 임상적 과제는 무엇인가?
• RQ5 AI 기법은 어떤 방식으로 입자 빔의 고유한 물리적 이점(예: 브라그 피크)을 활용하여 더 나은 임상 결과를 도출하는가?

주요 결과

• AI 기반 치료 계획 수립 방법은 전통적 계획 수립 대비 계획 수립 시간을 크게 단축시키며, 계획 품질을 유지하거나 향상시키는 데 기여한다.
• AI를 활용한 적응형 입자 치료는 일일 영상 기반 실시간 재계획 수립을 가능하게 하여 목표 부위의 커버리지 향상과 기능 장기 보호를 향상시킨다.
• 영역 및 선량 검증을 위한 AI 모델은 프로톤 영역 불확실성을 더 정확하게 예측함으로써 광범위한 영상 분획의 필요성을 줄인다.
• 딥러닝 기반 접근법은 복잡한 해부학적 영역에서도 높은 공간 해상도를 확보하여 환자별 선량 분포를 예측하는 데 유망한 성과를 보였다.
• 연구 환경에서는 뛰어난 성능를 보였지만, 임상적 구현은 데이터 부족, 모델 해석 가능성 부족, 규제 장벽 등의 이유로 제한되어 있다.
• 다양한 환자 집단과 해부학적 부위를 감안할 때, 강건하고 일반화 가능한 모델이 필요하기 때문에 기존 입자 치료 시스템과의 AI 통합은 여전히 도전 과제이다.