Maximilian Konrad

MR-guided online adaptive and explainable AI Segmentation for Radiotherapy

Projektet handler om at forbedre behandlingen af kræft ved brug af kunstig intelligens (AI) til at lave bedre og mere effektive strålebehandlingsplaner.

Strålebehandlingen er delt i fraktioner, som hver leveres en gang om dagen over en række dage. Bestrålingen planlægges efter, hvor kræftområdet ligger, samt hvordan det raske væv er placeret i forhold til det. For at planlægge bestrålingen til patienten er det dermed nødvendigt på medicinske billeder at få indtegnet kræften og det raske væv, der gerne skal skånes fra bestråling.

Arbejdet indeholder mange tidskrævende manuelle trin. Derfor bliver den samme stråleplan ofte brugt ved alle behandlingsfraktionerne uden at tage hensyn til, at kræftområdet kan være flyttet i forhold til andre væv f.eks. på grund af mængden af mad i maven. Et andet problem er, at det er svært at identificere sådanne anatomiske forandringer ved hjælp af det billedudstyr, der bruges på almindelige acceleratorer til strålebehandling.

Det er muligt at tilpasse behandlingen for hver fraktion f.eks. ved Brachyterapi eller en ny type accelerator der kaldet en MR-accelerator. Begge bruger ved hver fraktion nye MR-billeder. På en MR-accelerator kan de anatomiske forandringer ses, og bestrålingen planlægges derfor på baggrund af, hvordan kræftområdet ligger ved den givne strålebehandling.

Denne metode kaldes også ’MR-vejledt online adaptiv strålebehandling’ og kan pt. kun tilbydes til udvalgte patientgrupper i Danmark på grund af begrænset adgang til MR-acceleratorer, og det store ekstra manuelle arbejde for klinikerne, da de dagligt skal indtegne organpositioner og på den baggrund tilpasse behandlingsplanen, så det raske væv modtager så lidt dosis som muligt.

Projektets overordnede mål er, på en nem forståelig måde, at tilbyde hurtig adgang til præcise og konsistente indtegninger, der er fundamentet for optimal strålebehandling. Vi vil undersøge, hvor meget tid der kan spares ved at bruge AI til at hjælpe med at lave indtegninger og behandlingsplaner. Nok mere vigtigt har vi også fokus på at udvikle teknikker, der gør det muligt at identificere de fejl, der måtte komme fra en AI-model.

Arbejdet er baseret på en model til at finde AI-fejl og -metoder til at forbedre forståelsen af, hvordan AI-modellerne opnår et bestemt resultat (explainable AI). En god forståelse af AIs mulige unøjagtigheder er vigtig for at sikre, at klinikkerne hurtigt kan gennemse indtegningerne og rette de mindre ting, der måtte være nødvendigt for at få den optimale behandling. 

Projektet vil også arbejde på at udvikle AI-modeller, der tilpasser sig individuelle patienter, hvilket betyder, at tidligere information om patienten bliver en integreret del af behandlingsmodellen ved de efterfølgende behandlingsfraktioner. Det vil gøre AI skræddersyet til den enkelte patient, hvilket er med til at forbedre effektiviteten af behandlingen og reducere risikoen for bivirkninger fra strålebehandling.

Ved en succesrig implementering vil det være muligt at tilbyde flere patienter MR-vejledt adaptiv strålebehandling, da den enkelte behandling vil blive mere præcis og mindre tidskrævende.