Détection des erreurs de délivrance de radiothérapie par dosimétrie in vivo basée sur un dispositif électronique d’imagerie portale (EPID)

La radiothérapie de modulation d’intensité (RCMI) et la radiothérapie stéréotaxique corporelle (SBRT) représentent des techniques avancées en oncologie, nécessitant un contrôle qualité (CQ) rigoureux pour garantir une délivrance précise de la dose. Bien que le CQ spécifique au patient avant traitement (PSQA) soit une routine, les modifications anatomiques, les incertitudes de positionnement du patient et les erreurs liées à l’appareillage pendant le traitement exigent un monitorage en temps réel des doses administrées. La dosimétrie in vivo (DIV) répond à ce besoin en vérifiant la dose de rayonnement réellement reçue par le patient. Parmi les outils de DIV, les dispositifs électroniques d’imagerie portale (EPID) se distinguent par leur acquisition rapide d’images, leur haute résolution spatiale et leur compatibilité avec les flux de travail numériques. Cet article explore le rôle des systèmes de DIV basés sur l’EPID dans la détection d’erreurs, leur implémentation technique et les avancées en apprentissage automatique (AA) pour la classification des erreurs.

Fondements techniques de la dosimétrie in vivo basée sur l’EPID

Les systèmes EPID, notamment ceux utilisant des détecteurs en silicium amorphe (a-Si), capturent des images de transit pendant l’irradiation. Lorsque les photons de haute énergie interagissent avec la couche scintillatrice de l’EPID, une lumière visible est émise et convertie en signaux électroniques par une matrice de photodiodes. Ces signaux sont transformés en images numériques contenant des informations dosimétriques. Cependant, les mesures EPID nécessitent des corrections pour des caractéristiques intrinsèques telles que les effets d’accumulation, l’éblouissement optique et les artefacts de rémanence.

Deux méthodologies principales régissent la DIV basée sur l’EPID :

Projection directe : Cette approche prédit les images de transit ou les doses 2D de transit à l’aide de simulations Monte Carlo ou de modèles analytiques. Les images mesurées sont ensuite comparées aux valeurs prédites pour identifier des écarts.
Rétroprojection : Les images EPID mesurées sont projetées en arrière sur le scanner du patient à l’aide de noyaux de dépôt de dose. Cela permet de reconstruire la distribution de dose 2D ou 3D dans l’anatomie du patient, facilitant la comparaison avec le plan de traitement.

Capacités de détection d’erreurs des systèmes EPID-DIV

Systèmes EPID-DIV hors ligne

Les systèmes hors ligne analysent les données EPID après le traitement. Une étude de référence de Mans et al. (2010) a détecté 17 erreurs critiques parmi 4 337 plans de traitement vérifiés, démontrant l’utilité clinique de l’EPID-DIV. Des recherches ultérieures ont confirmé sa capacité à identifier des erreurs de position des lames du collimateur multilame (MLC), des écarts d’unités moniteurs (UM) et des inexactitudes de taille d’ouverture. Par exemple, des erreurs de position des lames MLC aussi faibles que 1–2 mm ont été détectées en utilisant des critères d’indice gamma (3 %/2 mm). En revanche, les erreurs d’angle du bras isocentrique et les déplacements du patient montrent une sensibilité réduite en raison des effets de moyenne dans les images EPID intégrées temporellement.

Des systèmes commerciaux hors ligne tels que SunCHECK, EPIgray et Dosimetry Check sont largement adoptés. Ces systèmes remplacent souvent le PSQA pré-thérapeutique, car ils évaluent directement les doses délivrées plutôt que de se baser sur des mesures fantômes.

Systèmes EPID-DIV en ligne

Les systèmes en ligne permettent une détection d’erreurs en temps réel pendant l’irradiation. L’Institut néerlandais du cancer a développé un système de rétroprojection reconstruisant la dose 3D plus rapidement que la fréquence d’images de l’EPID (généralement 5–10 Hz), permettant l’arrêt immédiat du LINAC en cas d’erreur critique. De même, Woodruff et al. (2015) ont créé un système utilisant des images EPID résolues en temps, déclenchant des alertes si les taux de réussite gamma (3 %/3 mm) chutaient en dessous de 40 % pendant quatre images consécutives. Des erreurs catastrophiques, comme des décalages de banque MLC, étaient détectées en 0,1 seconde.

Le système uRT-LINAC 506c intègre l’EPID-DIV avec la tomographie conique (CBCT), permettant des mises à jour anatomiques quotidiennes et une reconstruction adaptative de la dose. Des études utilisant cette plateforme ont atteint 95 % de sensibilité pour détecter des erreurs MLC de 5 mm ou des écarts de 3 % en UM.

Principales conclusions sur la détectabilité des erreurs

Erreurs MLC : Détectables à des seuils de 1–2 mm via l’analyse gamma. Les modes EPID résolus en temps améliorent la détection en isolant les erreurs à des points de contrôle spécifiques en arcthérapie volumétrique modulée (VMAT).
Erreurs d’UM : Des seuils aussi bas que 3 % sont identifiables, bien que la sensibilité dépende de la complexité du faisceau.
Déplacements du patient : Moins fiables (seuils de 5–10 mm) en raison du contraste limité des EPID pour les tissus mous.
Erreurs d’angle du bras : Difficiles à détecter sauf si les écarts dépassent 2–3 degrés.

Apprentissage automatique pour la classification des erreurs

Des études récentes intègrent l’AA et l’apprentissage profond (DL) à l’EPID-DIV pour classer automatiquement les sources d’erreur :

Réseaux neuronaux convolutifs (CNN) : Wolfs et al. (2020) ont entraîné un CNN à classer les modifications anatomiques (ex. réduction tumorale), les déplacements du patient et les erreurs MLC à l’aide d’images EPID simulées. Pour des erreurs de 3 % en UM ou des décalages MLC de 3 mm, la précision dépassait 90 %.
Réseaux neuronaux récurrents (RNN) : Bedford et Hanson (2022) ont utilisé un RNN pour analyser les données temporelles EPID pendant une VMAT. Le modèle détectait les erreurs MLC 30 % plus vite que l’analyse gamma conventionnelle, réduisant le temps d’irradiation pour les fractions erronées.
Approches hybrides : Chen et al. (2022) ont combiné la CBCT quotidienne avec les données EPID pour distinguer les modifications anatomiques (ex. variations de remplissage rectal) des erreurs de délivrance. Des écarts >5 % dans les histogrammes dose-volume (HDV) des volumes cibles (PTV) ou des organes à risque (OAR) déclenchaient un replanning.

Limitations des systèmes pilotés par l’AA

Dépendance aux données simulées : Les modèles actuels reposent sur des erreurs simulées, négligeant les incertitudes réelles comme les dérives de calibration des EPID ou les artefacts de mouvement.
Biais pour les erreurs isolées : La plupart des systèmes sont entraînés à détecter des erreurs uniques, alors que les scénarios cliniques impliquent souvent des problèmes combinés (ex. erreurs MLC + modifications anatomiques).
Problèmes d’interprétabilité : Les modèles « boîte noire » manquent de transparence dans la catégorisation des erreurs, compliquant la confiance clinique.

Défis et perspectives futures

Validation clinique : Des essais prospectifs sont nécessaires pour valider les taux de détection d’erreurs dans des cohortes diversifiées. Par exemple, les cas de SBRT pulmonaire avec mouvement respiratoire significatif pourraient exiger un ajustement adaptatif des seuils de détection.
Intégration avec la radiothérapie adaptative : Combiner l’EPID-DIV avec des systèmes guidés par IRM ou scanner permettrait des ajustements en temps réel. Le système uRT-LINAC 506c illustre cela en utilisant la CBCT quotidienne pour mettre à jour les contours et recalculer les doses.
Standardisation des critères d’alerte : Les critères gamma optimaux (ex. 3 %/2 mm vs. 5 %/3 mm) et les seuils d’action nécessitent une personnalisation institutionnelle pour équilibrer faux positifs et faux négatifs.
Amélioration de la résolution temporelle : Des EPID haute vitesse (≥20 Hz) et des algorithmes de reconstruction accélérés par GPU amélioreront la détection en temps réel pour les traitements ultra-hypofractionnés.

Conclusion

Les systèmes EPID-DIV ont révolutionné la détection d’erreurs en radiothérapie, offrant un monitorage hors ligne et en temps réel. Si les erreurs MLC et UM sont détectées de manière fiable, les déplacements du patient et les erreurs d’angle du bras restent des défis. L’intégration de modèles d’AA montre un potentiel pour la classification automatique des erreurs, mais nécessite une validation clinique rigoureuse. Les avancées futures en imagerie, algorithmes adaptatifs et standardisation multi-institutionnelle consolideront l’EPID-DIV comme un pilier de la radiothérapie sûre et précise.

DOI : 10.1097/CM9.0000000000002665

Détection des erreurs de délivrance de radiothérapie par EPID