3.5 Optimisation du plan de traitement en radiothérapie
La radiothérapie, également appelée radiotherapy, est un traitement du cancer qui utilise des faisceaux d'énergie intense, tels que les rayons X, pour tuer les cellules cancéreuses. Avant le début du traitement, une équipe de radiothérapie, comprenant des oncologues radiothérapeutes et des planificateurs, collabore pour concevoir un plan de traitement efficace. Cela implique de déterminer la dose de radiothérapie nécessaire et d'identifier les emplacements exacts nécessitant un traitement.
La planification du traitement en radiothérapie peut être formulée comme un problème d'optimisation à deux boucles. La boucle interne, appelée planification inverse, comprend des processus tels que l'optimisation de la carte d'influence et l'optimisation directe des ouvertures [62]. Ce problème d'optimisation est généralement un problème contraint, résolu par un optimiseur numérique, visant à minimiser une fonction de coût pondérée équilibrant plusieurs objectifs contradictoires [63]. Ces objectifs comprennent l'administration de la dose prescrite au volume cible de planification (PTV), qui englobe la tumeur et une marge supplémentaire pour tenir compte des incertitudes dans la planification ou l'administration du traitement, tout en protégeant les tissus normaux critiques, appelés organes à risque (OAR), contre des doses dangereuses.
Le principal défi de la planification de traitement consiste à traduire des objectifs cliniques globaux en fonctions objectif pondérées et en contraintes de dose qui produisent un plan acceptable [62]. Les planificateurs humains recourent souvent à une approche par essais et erreurs, ajustant de manière itérative les hyperparamètres d'optimisation en fonction des résultats du processus d'optimisation jusqu'à ce que les plans satisfassent aux exigences cliniques [62]. Ces hyperparamètres incluent les poids attribués aux PTV, aux organes et aux autres tissus dans la fonction objectif. Ce processus peut être subjectif, influencé par l'expérience du planificateur et le temps disponible, et implique d'utiliser à maintes reprises des algorithmes d'optimisation coûteux en calcul sur de nombreuses itérations. Cela rend le processus inefficace, chronophage et coûteux [64].
Méthode. Nous appliquons TEXTGRAD pour réaliser l'optimisation de la boucle externe, c'est-à-dire l'optimisation des hyperparamètres pour l'optimiseur numérique de la boucle interne. L'optimisation d'instance est effectuée avec gpt-4o sur les hyperparamètres représentés sous forme de chaîne : « poids pour le PTV : [PTV WEIGHT], poids pour la vessie : [BLADDER WEIGHT], poids pour le rectum : [RECTUM WEIGHT], poids pour les têtes fémorales : [FH WEIGHT], poids pour le corps : [BODY WEIGHT] ». Lorsque les hyperparamètres sont fournis, nous obtenons le plan de traitement en adoptant un optimiseur numérique et en construisant une perte comme la discordance entre le plan courant et les objectifs cliniques. Plus précisément, pour calculer le gradient, nous résolvons d'abord la boucle d'optimisation interne à l'aide d'un optimiseur numérique matRad [65] afin d'obtenir le plan de traitement correspondant . La perte est calculée sur le plan de traitement et les objectifs cliniques à l'aide d'un LLM avec les prompts fournis à la section G.1.
et les nouveaux hyperparamètres sont obtenus par une étape de descente TextGrad
Pour améliorer davantage la capacité du LLM à comprendre la relation entre les hyperparamètres et le plan résultant issu de matRad, un ensemble de plans appariés et de leurs hyperparamètres correspondants est fourni comme contexte aux LLM pendant le TGD_step. Par conséquent,

Métriques d'évaluation. Pour évaluer un plan de traitement, nous adoptons plusieurs métriques de dose couramment utilisées, car un plan ne peut pas être évalué à l'aide d'une seule métrique. Nous considérons la dose moyenne délivrée au volume cible/organe, ainsi que , qui désigne la dose minimale reçue par du volume cible/organe.
Résultats. Les gradients générés par TExTGRAD fournissent une indication pertinente pour améliorer les hyperparamètres. Comme illustré à la Figure 3, lorsqu'il y a un étalement de dose en dehors du volume cible de planification (PTV), le gradient suggère une augmentation du poids d'importance pour le PTV. Cet ajustement conduit à une dose plus uniforme et plus confinée pour le PTV. Cependant, cela peut entraîner une protection insuffisante de la vessie et du rectum, leurs poids relatifs étant réduits. Par conséquent, à l'étape suivante, les gradients suggèrent d'augmenter légèrement les poids de la vessie et du rectum, ce qui permet une meilleure protection de ces organes. Nous avons comparé les plans optimisés par TExTGRAD avec les plans cliniques utilisés pour traiter cinq patients atteints de cancer de la prostate. Dans la Figure 3 (c), nous évaluons la capacité de TextGrad à atteindre les objectifs cliniques pour la région du PTV. TextGrad surpasse les plans cliniques sur toutes les métriques, atteignant une dose moyenne plus élevée et une qui correspond exactement à la dose prescrite. Dans la Figure 3 (d), nous nous concentrons sur l'épargne des organes sains. Les plans optimisés par TextGrad atteignent des doses moyennes plus faibles pour ces organes sains, ce qui suggère une meilleure épargne des organes que les plans optimisés par l'humain. Nous rapportons les moyennes sur cinq plans, avec l'écart-type indiqué entre parenthèses.