Zum Hauptinhalt springen
TextGrad: Automatic "Differentiation" via TextMert Yuksekgonul et al.

3.5 Optimierung von Strahlentherapie-Behandlungsplänen

Strahlentherapie, auch Radiotherapie genannt, ist eine Krebsbehandlung, bei der Strahlenbündel mit hoher Energie, wie etwa Röntgenstrahlen, eingesetzt werden, um Krebszellen abzutöten. Bevor die Behandlung beginnt, arbeitet ein Strahlentherapie-Team, bestehend aus Radioonkologen und Planern, zusammen, um einen wirksamen Behandlungsplan zu erstellen. Dies umfasst die Bestimmung der erforderlichen Strahlentherapiedosis und die genaue Festlegung der zu behandelnden Stellen.

Die Strahlentherapie-Behandlungsplanung kann als ein Zwei-Schleifen-Optimierungsproblem formuliert werden. Die innere Schleife, bekannt als inverse Planung, umfasst Prozesse wie die Optimierung von Influence Maps und die direkte Apertur-Optimierung [62]. Dieses Optimierungsproblem ist typischerweise ein restringiertes Problem, das von einem numerischen Optimierer gelöst wird, mit dem Ziel, eine gewichtete Kostenfunktion zu minimieren, die mehrere konfligierende Ziele ausbalanciert [63]. Zu diesen Zielen gehören die Verabreichung der verschriebenen Dosis an das Planungszielvolumen (planning target volume, PTV), das den Tumor und einen zusätzlichen Rand zur Berücksichtigung von Unsicherheiten bei der Planung oder der Behandlungsdurchführung umfasst, bei gleichzeitigem Schutz kritischer Normalgewebe, sogenannter Risikoorgane (organs at risk, OARs), vor unsicheren Dosen.

Die zentrale Herausforderung bei der Behandlungsplanung besteht darin, übergeordnete klinische Ziele in gewichtete Zielfunktionen und Dosisbeschränkungen zu übersetzen, die einen akzeptablen Plan ergeben [62]. Menschliche Planer verwenden häufig einen Trial-and-Error-Ansatz, bei dem sie die Optimierungs-Hyperparameter iterativ anhand der Ergebnisse des Optimierungsprozesses anpassen, bis die Pläne die klinischen Anforderungen erfüllen [62]. Zu diesen Hyperparametern gehören die Gewichte, die PTVs, Organen und anderen Geweben in der Zielfunktion zugewiesen werden. Dieser Prozess kann subjektiv sein, wird von der Erfahrung des Planers und der verfügbaren Zeit beeinflusst und beinhaltet die wiederholte Verwendung rechenintensiver Optimierungsalgorithmen über viele Iterationen hinweg. Dies macht den Prozess ineffizient, zeitaufwändig und kostspielig [64].

Methode. Wir wenden TEXTGRAD an, um die äußere Schleifenoptimierung durchzuführen, d. h. die Hyperparameter-Optimierung für den numerischen Optimierer der inneren Schleife. Die Instanzoptimierung wird mit gpt-4o über die Hyperparameter durchgeführt, die als String dargestellt werden: θ=\theta = "weight for PTV: [PTV WEIGHT], weight for bladder: [BLADDER WEIGHT], weight for rectum: [RECTUM WEIGHT], weight for femoral heads: [FH WEIGHT], weight for body: [BODY WEIGHT]". Wenn Hyperparameter bereitgestellt werden, erhalten wir den Behandlungsplan, indem wir einen numerischen Optimierer einsetzen und einen Loss als die Abweichung zwischen dem aktuellen Plan und den klinischen Zielen konstruieren. Genauer gesagt lösen wir zur Berechnung des Gradienten zunächst die innere Optimierungsschleife mit einem numerischen Optimierer matRad [65], um den entsprechenden Behandlungsplan P(θ)=matRad(θ)P(\theta) = \mathrm{matRad}(\theta) zu erhalten. Der Loss wird auf dem Behandlungsplan PP und den klinischen Zielen gg unter Verwendung eines LLM mit den in Abschnitt G.1 bereitgestellten Prompts berechnet.

L=LLM(P(θ),g)\mathcal{L} = \mathrm{LLM}(P(\theta),g)

und die neuen Hyperparameter werden durch einen TextGrad-Descent-Schritt erhalten

θnew=TGD_step(θ,∂L∂θ).\theta_{\mathrm{new}} = \mathrm{TGD\_step}\left(\theta ,\frac{\partial\mathcal{L}}{\partial\theta}\right).

Um die Fähigkeit des LLM weiter zu verbessern, die Beziehung zwischen den Hyperparametern θ\theta und dem resultierenden Plan PP aus matRad zu verstehen, wird eine Menge gepaarter Pläne und ihrer entsprechenden Hyperparameter {(Pi,θi)}i=1N\{(P_{i},\theta_{i})\}_{i = 1}^{N} als Kontext für die LLMs während des TGD_step bereitgestellt. Daher gilt

θnew=TGD\step(θ,∂L∂θ∣{(Pi,θi)}i=1N).\theta_{\mathrm{new}} = \mathrm{TGD\step}\left(\theta ,\frac{\partial\mathcal{L}}{\partial\theta}\right|\{(P{i},\theta_{i})\}_{i = 1}^{N}\big).
Abbildung 3: Optimierung des Strahlentherapieplans. Visualisierung der rückpropagierten textuellen Gradienten, die die Wichtigkeitsgewichte von Planungszielvolumina (PTVs) und Risikoorganen (OARs) anpassen, um die Tumorbestrahlung und den Schutz der OARs auszubalancieren. Die Bilder in (a) zeigen die Planentwicklung von der Initialisierung bis zur Iteration 5. TEXTGRAD verbessert iterativ die mittlere Dosis und reduziert die Dosisvarianz im PTV und erreicht das klinische Ziel über mehrere Iterationen (b). TEXTGRAD hält die Exposition von Blase und Rektum unterhalb der klinisch zulässigen Maximalwerte (c). TEXTGRAD-optimierte Pläne weisen bessere Dosiskennzahlen (mittlere Dosis und \(D_{95}\)) für das PTV auf als klinisch optimierte Pläne (d) und niedrigere Dosen für Blase und Rektum, was auf einen besseren Schutz der OARs hinweist (e).
Abbildung 3: Optimierung des Strahlentherapieplans. Visualisierung der rückpropagierten textuellen Gradienten, die die Wichtigkeitsgewichte von Planungszielvolumina (PTVs) und Risikoorganen (OARs) anpassen, um die Tumorbestrahlung und den Schutz der OARs auszubalancieren. Die Bilder in (a) zeigen die Planentwicklung von der Initialisierung bis zur Iteration 5. TEXTGRAD verbessert iterativ die mittlere Dosis und reduziert die Dosisvarianz im PTV und erreicht das klinische Ziel über mehrere Iterationen (b). TEXTGRAD hält die Exposition von Blase und Rektum unterhalb der klinisch zulässigen Maximalwerte (c). TEXTGRAD-optimierte Pläne weisen bessere Dosiskennzahlen (mittlere Dosis und \(D_{95}\)) für das PTV auf als klinisch optimierte Pläne (d) und niedrigere Dosen für Blase und Rektum, was auf einen besseren Schutz der OARs hinweist (e).

Evaluationsmetriken. Zur Bewertung eines Behandlungsplans verwenden wir mehrere gängige Dosismetriken, da ein Plan nicht anhand einer einzigen Metrik bewertet werden kann. Wir betrachten die mittlere Dosis, die an das Ziel-/Organvolumen verabreicht wird, sowie DqD_{q}, was die minimale Dosis bezeichnet, die von q%q\% des Ziel-/Organvolumens empfangen wird.

Ergebnisse. Die von TExTGRAD erzeugten Gradienten liefern eine sinnvolle Anleitung zur Verbesserung der Hyperparameter. Wie in Abbildung 3 dargestellt, schlägt der Gradient, wenn es zu Dosisstreuung außerhalb des Planungszielvolumens (PTV) kommt, eine Erhöhung des Wichtigkeitsgewichts für das PTV vor. Diese Anpassung führt zu einer gleichmäßigeren und begrenzteren Dosis für das PTV. Dies kann jedoch zu einem unzureichenden Schutz von Blase und Rektum führen, da deren relative Gewichte verringert werden. Daher schlagen die Gradienten im folgenden Schritt eine leichte Erhöhung der Gewichte für Blase und Rektum vor, was zu einem besseren Schutz dieser Organe führt. Wir verglichen die mit TExTGRAD optimierten Pläne mit den klinischen Plänen, die zur Behandlung von fünf Prostatakrebspatienten verwendet wurden. In Abbildung 3 (c) bewerten wir die Fähigkeiten von TextGrad, klinische Ziele für die PTV-Region zu erreichen. TextGrad übertrifft die klinischen Pläne bei allen Metriken und erzielt eine höhere mittlere Dosis sowie eine D95D_{95}, die genau der verschriebenen Dosis entspricht. In Abbildung 3 (d) konzentrieren wir uns auf die Schonung gesunder Organe. Mit TextGrad optimierte Pläne erzielen niedrigere mittlere Dosen für diese gesunden Organe, was auf eine bessere Organschonung als bei den menschlich optimierten Plänen hindeutet. Wir berichten die Mittelwerte über fünf Pläne, wobei die Standardabweichung in Klammern angegeben ist.