Confronto tra Machine Learning e Deep Learning per la classificazione di alert in radioterapia prodotti dal software PerFraction. = Machine Learning and Deep Learning performance comparison for the classification of radiotherapy errors reported by PerFraction software.

In radioterapia, lo sviluppo di sofisticate tecnologie di erogazione ha portato con sé non solo benefici ma anche la necessità di migliorare di pari passo programmi per un’analisi accurata della qualità della dose erogata durante i trattamenti. Infatti, il confronto tra distribuzione di dose pianificata e distribuzione di dose erogata, misurata con tecniche di dosimetria in vivo, è un requisito fondamentale per il successo di un percorso radioterapico. I software attuali per l’analisi della dosimetria in vivo, come PerFraction (PF) di SunNuclear, sono in grado di individuare discrepanze nelle due distribuzioni di dose ma non sono in grado di determinare la causa di questi errori. Alcuni esempi di errori possono essere quelli dovuti al setup, a variazioni anatomiche, ad una preparazione inadeguata del paziente o a un malfunzionamento del macchinario di erogazione. Attualmente quando il software individua un errore, è l’oncologo che procede con la ricerca della causa che lo ha scatenato. Questo studio nasce proprio dalla necessità di costruire un sistema di aiuto alla decisione che assista l’operatore in questa procedura e ne velocizzi e faciliti il lavoro. I dati utilizzati per lo svolgimento dello studio sono stati ricavati dall’istituto di Candiolo e riguardano pazienti di sesso maschile a cui è stato diagnosticato un tumore prostatico. Lo studio ha avuto come scopo quello di costruire un algoritmo di classificazione dell’errore di preparazione del retto attraverso due strade. La prima consiste nell’utilizzare features quantitative estratte da PF ed analizzate con tecniche di Machine Learning. La seconda consiste nell’emulare la valutazione dell’operatore radioterapico ovvero attraverso l’osservazione e il confronto di immagini CT (ottenute durante la fase di pianificazione) e immagini CBCT (acquisite durante i trattamenti appena prima dell’erogazione della terapia) tramite tecniche di Deep Learning (CNN). Questa seconda soluzione presenta performance migliori rispetto alla prima. I risultati promettenti ottenuti con le CNN lasciano quindi aperta la possibilità di sviluppi futuri con l’estensione dello studio anche a distretti anatomici e tipi di errore differenti.