Trang chủ
Bài viết nghiên cứu
TIẾP CẬN XU HƯỚNG ỨNG DỤNG AI TRONG XẠ TRỊ: VAI TRÒ VÀ TRÁCH NHIỆM CỦA NHÀ VẬT LÝ Y KHOA

TIẾP CẬN XU HƯỚNG ỨNG DỤNG AI TRONG XẠ TRỊ: VAI TRÒ VÀ TRÁCH NHIỆM CỦA NHÀ VẬT LÝ Y KHOA

Tác giả Nguyễn Mai Đăng Khoa, Trần Cương

DOI: https://doi.org/10.70755/vnjo.2024.76.1

Số 76 - Số chuyên đề Hội thảo Điều trị Đa mô thức bệnh Ung thư và Quản lý bệnh viện trong kỷ nguyên số - Cập nhật ASCO 2024 | Tạp Chí Ung Thư Học Việt Nam 55

Cỡ chữ

PDF

Tóm tắt

Trong những năm gần đây, trí tuệ nhân tạo (AI) đã trở thành chủ đề được thảo luận sôi nổi trên các diễn đàn khoa học. Với khả năng tự động xử lý lượng lớn dữ liệu và cung cấp những hiểu biết vượt ngoài khả năng của con người, AI có tiềm năng mang lại những tiến bộ vượt bậc trong y học, đặc biệt là lĩnh vực ung thư. Trong xạ trị, AI đang được ứng dụng rộng rãi, từ chẩn đoán và phân loại giai đoạn bệnh đến lập kế hoạch điều trị và mô phỏng liều lượng bức xạ. Việc triển khai các công cụ AI trong xạ trị dự kiến sẽ tiếp tục gia tăng trong thời gian tới. Tuy nhiên, để tận dụng hết tiềm năng của AI, các nhà vật lý y khoa cần phải thay đổi và thích nghi với sự phát triển của công nghệ này. Vai trò của họ không còn giới hạn ở việc lập kế hoạch xạ trị và kiểm soát chất lượng thiết bị, mà còn bao gồm việc nắm vững công nghệ AI để đánh giá độ chính xác và tin cậy của các ứng dụng AI, cũng như xây dựng quy trình kiểm định và thẩm định tính tương thích của các công cụ này. Đồng thời, họ phải đảm bảo rằng các công cụ AI tuân thủ các quy định an toàn trong chẩn đoán và điều trị. Bài viết này cập nhật những ứng dụng AI trong xạ trị, như hỗ trợ chẩn đoán lâm sàng, tự động phân vùng hình ảnh và dự đoán phân bố liều, đồng thời thảo luận về vai trò quan trọng của nhà vật lý y khoa trong việc triển khai chúng. Chúng tôi cũng đề xuất các kỹ năng cần thiết để nhà vật lý y khoa thực hiện hiệu quả các nhiệm vụ này.

Abstract

In recent years, artificial intelligence (AI) has become a major topic of discussion on many scientific forums. With the ability to automatically process large amounts of data and provide insights beyond human capabilities, AI has the potential to drive significant advancements in medicine, particularly in oncology. In radiotherapy, AI can be widely applied in the process of diagnosis and staging of diseases as well as automating the radiotherapy planning process and radiation dose simulation. In the near future, the deployment and utilization of AI-based tools in radiotherapy will increase; however, to fully exploit their potential and ensure these tools are applied safely, effectively, and appropriately, medical physicists need to adapt to new changes. Their roles and responsibilities extend beyond traditional tasks of radiotherapy planning, dose measurement, and equipment quality assurance to include a fundamental understanding of AI technology, assessing the accuracy and reliability of AI systems, and developing validation and verification processes for the compatibility and quality of these tools. They must also ensure these tools comply with safety regulations and standards in diagnosis and treatment. In this paper, we would like to introduce some AI applications in radiotherapy which have been deverloping recently, such as auto- segmentation of organs on CT images and auto-planning of radiotherapy; thereby discussing the important roles and responsibilities of medical physicists in the implementation and development of these applications. Additionally, we propose some essential skills for medical physicists to effectively perform these roles and responsibilities.

Từ khóa

AI, vật lý y khoa, xạ trị

Keywords

AI, ROMP, Radiotherapy

Tài liệu tham khảo (References)

[1]. Bray, F., Laversanne, M., Sung, H., et al. (2024). Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: A Cancer Journal for Cli- nicians, 74(3), 229-263.

[2]. Kresl, J. J., & Drummond, R. L. (2004). A historical perspective of the radiation on- cology workforce and ongoing initiatives to impact recruitment and retention. Jour- nal of the American College of Radiolo- gy, 1, 641-648.

[3]. Sanders, G. D., & Lyons, E. A. (1991).
The potential use of expert systems to enable physicians to order more cost-ef- fective diagnostic imaging examinations.
Journal of Digital Imaging, 4, 112-122.

[4]. Litjens, G., et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60-88.

[5]. Wang, J., et al. (2019). A predictive mod- el of radiation-related fibrosis based on radiomic features of magnetic resonance imaging. International Journal of Radi- ation Oncology, Biology, Physics, 105, E599.

[6]. Nikolov, S., et al. (2018). Deep learning to achieve clinically applicable segmenta- tion of head and neck anatomy for radio- therapy. arXiv.

[7]. Chen, X., Men, K., Li, Y., et al. (2019). A feasibility study on an automated method to generate patient-specific dose distribu- tions for radiotherapy using deep learn- ing. Medical Physics, 46, 56-64.

[8]. Mahmood, R., Babier, A., McNiven, A., et al. (2018). Automated treatment plan- ning in radiation therapy using generative adversarial networks. arXiv.

[9]. International Atomic Energy Agency. (2023). Artificial intelligence in medical physics (Training Course Series No. 83).
IAEA.

[10]. McCarthy, J., Minsky, M. L., Rochester, N., et al. (1955). A proposal for the Dart- mouth summer conference on artificial intelligence. AI Magazine.

[11]. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Ad- vances in Neural Information Processing Systems, 25.

[12]. Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255- 260.

[13]. Sarker, I. H. (2021). Deep learning: A comprehensive overview on techniques, taxonomy, applications and research di- rections. SN Computer Science, 2(6), 420.

[14]. Huynh, E., Hosny, A., Guthier, C., et al. (2020). Artificial intelligence in radiation oncology. Nature Reviews Clinical On- cology, 17(12), 771-781.

[15]. Hong, J. C., Niedzwiecki, D., Palta, M., et al. (n.d.). Predicting emergency visits and hospital admissions during radiation and chemoradiation: An internally validated pretreatment machine learning algorithm.
JCO Clinical Cancer Informatics.

[16]. Lustberg, T., et al. (2018). Clinical eval- uation of atlas and deep learning based automatic contouring for lung cancer. Ra- diotherapy and Oncology, 126, 312-317.

[17]. Jackson, P., et al. (2018). Deep learning renal segmentation for fully automat- ed radiation dose estimation in unsealed source therapy. Frontiers in Oncology, 8, 215.

[18]. Cardenas, C. E., et al. (2018). Deep learn- ing algorithm for auto-delineation of high-risk oropharyngeal clinical target volumes with built-in dice similarity co- efficient parameter optimization function.
International Journal of Radiation Oncol- ogy, Biology, Physics, 101, 468-478.

[19]. Campbell, W. G., et al. (2017). Neural net- work dose models for knowledge-based planning in pancreatic SBRT. Medical Physics, 44, 6148-6158.

[20]. Xing, Y., Nguyen, D., & Lu, W., et al. (2019). Technical note: A feasibility study on deep learning-based radiotherapy dose calculation. Medical Physics, 47, 753- 758.

[21]. van Leeuwen, K. G., Schalekamp, S., Rutten, M. J., et al. (2021). Artificial in- telligence in radiology: 100 commercial- ly available products and their scientific evidence. European Radiology, 31, 3797- 3804.

[22]. Malik, A., et al. (2021). Ten simple rules for engaging with artificial intelligence in biomedicine. PLOS Computational Biol- ogy, 17, e1008531.

[23]. Challen, R., et al. (2019). Artificial in- telligence, bias, and clinical safety. BMJ Quality & Safety, 28, 231-237.

[24]. Diaz, O., Kushibar, K., Osuala, R., et al. (2021). Data preparation for artificial in- telligence in medical imaging: A compre- hensive guide to open-access platforms and tools. Physica Medica, 83, 25-37.

Xem PDF