Adore__
[Paper Review] Artificial Intelligence in radiation oncology 본문
[Paper Review] Artificial Intelligence in radiation oncology
3_GreenHeart 2023. 6. 13. 10:57
Artificial Intelligence in radiation oncology
Nature Reviews Clinical Oncology
https://www.nature.com/articles/s41571-020-0417-8
Contents
- Radiation Therapy_value and limits
- Artificial intelligence methods
- Application in radiation oncology
- initial treatment decision-making
- Treatment planning and preparation
- Pretreatment review and verification
- Treatment setup and delivery
- Pretreatment review and verification
- Treatment setup and delivery
- Completion of treatment
- Development challenges
- Challenges to clinical implementation
- Regulation and clinical evaluation
- AI and the Radiotherapy workforce
- implications for radiation oncologists
- implications for medical physicists
- implications for medical dosimetrists
- implications for radiation therapists
- Conclusions
1. Radiation Therapy
방사능 치료(radiation therapy)는 암 치료에 매우 효과적인 치료법으로, 50% 이하의 환자들이 이 치료법을 사용하고 있다.
하지만 수많은 환자들이 이러한 효과적인 치료법에 접근하지 못하는 이유는 infrastructure, 기술, 그리고 인력자원의 제한때문이다.
방사능 치료 기술은 점점 더 발전하고있지만, 아직 많은 기술의 workflow는 많은 시간이 소요되고, 의료물리학자, 방사선 측령사, 방사능 치료사, 여러 전문가들의 손길이 필요하다.
이러한 human-machine 간의 상호작용의 복잡도가 증가하면서 workforce 단축화를 필요로 하게 된다.
특히, 방사능 치료의 treatment-planning 과정의 다양성은 전반적인 생존률 (심지어 임상 실험에서도)에 부정적인 영향을 준다.
더군다나 방사능 치료의 지식과 경험의 차이, 그리고 자원의 불균등한 분포가 public healthc 문제로 대두되고 있다.
이에 AI는 매우 효과적인 해결책으로서, 이 논문에서 방사능 치료에 적용되는 모든 AI 기술들을 다루지는 않지만, radiation oncology 의 미래에 대한 이들의 관점과 AI in radiation therapy의 잠재력을 다룬다.
2. Artificial intelligence methods
초기 AI platform은 전문가가 정해놓은 step과 과정에 따라서 수행되었다.
하지만 다양한 input data에 이렇게 일반화된 방법은 지식 기반에서 서술되지 않은 'edge cases'를 처리하는데 한계가 있다.
이러한 rule-based AI 시스템은 다양한 clinical utility 차원에서 성취되어 왔지만, image-based 작업의 자동화를 가능하게 하는 알고리즘의 등장으로 뒤바뀌게 된다. 이 알고리즘이 바로 Neural-Network이다.
(CNN 설명...)
방사선 치료 workflow는 종양 및 장기 분할, 용량 최적화, 결과 예측 및 품질 보증(QA)을 포함한 다양하고도 복잡한 작업으로 구성되어 있다. 이는 지난 몇년동안 다양한 수준으로 자동화되었고, 데이터 유형에도 다양성이 나타난다. (방사선 영상 및 방사선 dose map부터 하드웨어 calibration log files과 유지 보수 기록 등..)
딥러닝 구조의 multimodal 특성은 이러한 다양한 데이터의 통합, cross-modality 학습 및 알고리즘 일반화를 가능하게 하여 궁극적으로 향상된 임상 의사 결정을 만들어낸다. 이로서 모든 환자들에게 더 나은 품질의 치료가 제공될 수 있다. 실제로, 방사선 치료 워크플로우의 각 작업에 다양한 인공지능 알고리즘이 적용된다 (표 1 참조).
3. Application in Radiotherapy Workforce
방사능 치료는 보통 다음과 같은 과정을 거친다.
치료 결정 -> imaging -> 치료 계획 -> 계획 승인 후 QA -> Radiotherapy delivery -> Follow-up care
다음 section에서 각 과정에 적용되는 AI 기법들을 소개한다.
3.1 Initial treatment Decision-making
1) Patient evaluation
방사능 치료는 환자 접수와 evaluation으로 시작된다. 방사능 종양사가 환자의 증상, 의료기록, 물리학적 관찰, 유전 데이터, 진단 연구, 징후(prognostication), 동반질환 (comorbidities) 그리고 방사능치료의 독성위험을 리뷰한다.이러한 데이터를 통합하여 치료 plan을 추천한다.
의사(clinician)들이 이 과정에 참여하면서 겪는 큰 문제는 계속해서 축적되는 방대한 데이터이다. 이 데이터 양은 의사들이 빠르게 처리할 수 있는 양을 초월한다. 이에 있어서 AI는 핵심적이고 임상적으로 적용 가능한 특징들을 추출함으로서 의사들을 위한 초기 의료결정을 지원한다. 예를 들어 의료영상평가에 사용되는 AI 기법, EMR 을 위한 자연어 처리는 암 환자의 치료법을 선택하거나 초기 관리에 큰 성과를 보였다.
이러한 AI 기반 모델은 예후 평가를 개선하고 치료 결과를 예측하는데 도움이 된다고 보고되고 있지만, 아직 임상에서는 구현되지 않고 있다.
2) Dose prescription
treatment planning 하기 전에 방사능 종양사가 종양에 쏴야할 방사능 양과 주변 기관에 제한되어있는 방사능 양을 결정한다.
하지만, tumour biology의 다양성으로 인해 방사능 민감도가 각기 다르다. 심지어 암 종류에 따라도..
더군다나 종양과 주변 기관의 geometrical 배열에 따라 필요한 dose가 성공적이지 않을 수도 있다. (이 사실을 planning 과정이 끝나갈 무렵까지 알아차리지 못할 수 있다) AI platform은 이러한 위험성을 피하고 tumour과 organs의 contour에 기반하여 개인 맞춤형 optimal dose와 방사능 민감도를 예측할 수 있다.
3.2 Treatment Planning and Preparation
1) Treatment simulation - image acquisition, processing, and registration.
treatment planning을 준비할 때, 움직임을 방지하기 위해서 환자가 고정된 상태에서 시뮬레이션이 진행된다.
대부분의 케이스에서 medical image는 treatment plan을 formulating(공식화)하기 위해서 사용된다.
질병 부위에 따라서 이러한 과정은 매우 복잡할 수 있고, 최적의 환자 immobilization은 주관적이기때문에 이 과정에 종종 방사능 종양사와 의료물리학자의 개입이 필요하다.
예를 들어, immobilization 기기와 치료 beam agles 사이 영역의 potential interference를 측정하기 위해서는 세심한 주의가 필수적이다. 안그러면 treatment 기기와 부딪히는 환자 특이적 사건이 발생할 수 있다.
- AI는 치료 simulation(환자의 anatomy에 대한 사전지식에 기반)에서 맞닥트릴 수 있는 challenge들을 확인하는데 사용될 수 있다.혹은 training data에서 얻은 정보로 해결책을 제시하여 planning process를 최적화할 수 있다.
방사능 치료를 받는 많은 환자들을 위해서 수많은 종류의 Medical image 가 treatment planning 과정에 필요하다.
(radiation dose를 측정하는데 필요한 CT image, tumour segmentation을 위한 MRI scans..)
특히, 이러한 이미지들은 각 환자별로 다른 position에서 얻어지기때문에, 이미지들을 배열할때 불확실성을 야기한다.
- 이러한 불확실성을 최소화하기위해 CT 이미지 없이도 전자밀도 정보를 제공할 수 있는 MRI 데이터를 얻을 수 있다.
- AI를 이용하여 뇌와 골반 MRI 이미지에서 합성 CT 이미지를 생성하고, 합성 CT vs. real CT를 사용했을 때의 치료계획을 비교한 결과, 최소한의 용량 차이가 관찰되었다.
- 또한, 이 방법은 환자가 직접 개입해야하는 영상 촬영 일정을 줄이고, 불필요한 방사선 노출을 줄임으로써 임상 효율성과 비용을 개선할 수 있는 잠재력을 갖고 있다.
기술의 발전으로 인해 방사선 치료에 MRI도 활용되고 있으며, MRI scanner를 linear 가속기와 MR Linac으로 통합하는 것이 가능해졌다.
고해상도 및 저잡음 MRI 이미지를 얻는데 오랜 시간이 걸린다. 따라서 이미지를 얻고 임상 작업하는 제한된 시간 내에 어느정도의 해상도 및 심호:잡음 비율을 이룰 수 있는지 조율이 필요하다.
- AI는 sampling된 소량의 MRI data로부터 미세한 세부 정보를 재구성할 수 있고, 딥러닝 알고리즘을 사용하여 부족한 sampling data에서도 고해상도, 고대조 및 저잡음 MRI 이미지(뇌 및 심장) 를 생성할 수 있는 것으로 확인되었다.
MRI scanner를 방사선 치료 linear 가속기와 통합할 때 발생하는 복잡성 (자기장이 방사선 빔에 미치는 변형 효과 및 linear 가속기 구성 요소가 자기장에 미칠 수 있는 aritfact) 때문에, 현재의 MR Linac 시스템은 일반적으로 낮은 자기장을 갖고 있다. 따라서 기존 고자기장 MRI scanner에 비해 고해상도 이미지 품질이 낮다.
- AI는 낮은 자기장 MRI scan에서 고신호, 고해상도 이미지를 재구성할 수 있으며, 이는 치료 과정에 있어서 종양의 시각화를 개선할 수 있다.
이미지 등록은 방사선 치료 workflow의 또 다른 중요 파트로, 다중 modality 및 종양학적 이미징에서 데이터를 사용하여 치료 계획 수립뿐만아니라 각 치료 분할의 직전 및 방사선 전달의 실시간 모니터링에도 사용된다.
자동 이미지 등록 알고리즘은 일반적으로 modality 별 등록 상황에 대해서만 잘 작동되며, 이미지 artifact에 민감하여 정확도가 떨어지므로 종종 추가적인 수동 편집이 필요하다.
- AI는 최적의 이미지 정렬 결과를 도출할 수 있는 움직임 동작 순서를 학습시킨다. 이러한 알고리즘은 최첨단 등록 방법보다 더 정확도와 견고성이 뛰어나며, 다중 모달리티 등록에서도 일반화 될 수 있다.
- 또한, AI 접근법은 image artifact 및 운동 artifact가 등록 정확도에 미치는 영향을 완화하는데 사용될 수 있다.