79

Arc therapy in radiotherapy (RT) enables better dose conformity but requires patient-specific quality assurance (QA). The aim of this study was to develop a predictive model of Delta4-QA outcomes based on RT-plan complexity indices to reduce the workload involved in QA. From 1632 RT-VMAT-plans, six complexity indices were extracted. Machine learning (ML) and deep hybrid learning (DHL, for complex tumour locations, ie breast, pelvis, head and neck) models were developed to predict QA-plan compliance. The ML model achieved 100% specificity and 98.8% sensitivity for non-complex RT-plans (with brain and thorax tumour locations). For more complex RT-plans, sensitivity dropped to 87% and innovative methods using DHL achieved 100% sensitivity and 97.78% specificity. QA results were predicted with high accuracy. A similar approach was taken to predict intensity-modulated RT QA compliance for breast tumour treatment using a Halcyon machine.

L’arc-thérapie en radiothérapie (RT) permet une meilleure conformation du dépôt de la dose mais nécessite une assurance qualité (AQ) spécifique au patient. L’objectif de cette étude était de développer un modèle prédictif des résultats de Delta4-QA basé sur des indices de complexité du plan de RT afin de réduire la charge de travail de l’AQ. Six indices de complexité ont été extraits de 1 632 plans de RT-VMAT (arc à modulation d’intensité volumétrique). Des modèles de machine learning (ML) et de deep hybrid learning (DHL, pour les localisations tumorales complexes, c’est-à-dire le sein, le pelvis et les voies aérodigestives supérieures) ont été développés pour prédire la conformité du plan d’AQ. Le modèle de deep learning (DL) a atteint une spécificité de 100 % et une sensibilité de 98,8 % pour les plans de RT non complexes (avec localisation des tumeurs au cerveau et au thorax). Pour les plans de RT plus complexes, la sensibilité chute à 87 %, tandis que la méthode innovante utilisant le DHL atteint une sensibilité de 100 % et une spécificité de 97,78 %. Les résultats de l’AQ ont été prédits avec une grande précision. Une approche similaire a été réalisée pour prédire la conformité de l’AQ de la RT avec une modulation d’intensité pour le traitement des tumeurs du sein avec la machine Halcyon.