Automatisering in planning – de laborant en dokter overbodig?
Danny Schuring Themadag “Automatisering van Planning” 17 maart 2016, Catharina Ziekenhuis Eindhoven
15-032016
1
Disclaimer … • (Een gedeelte van) deze lezing is gebaseerd op persoonlijke visie en hoeft dus niet de absolute waarheid te zijn … • Op het gebied van planning heb ik voornamelijk ervaring met Pinnacle3 en RayStation (en Plato ...)
2
15-032016
2
De toekomst van Radiotherapie? • De (ideale) toekomst volgens de fysicus
3
15-032016
3
De toekomst van radiotherapie? • De (ideale) toekomst volgens de manager
4
15-032016
4
Automatisering van planning • • • •
Is het iets van de laatste tijd? Waarom willen we het? Hoe werkt het? Heb ik straks nog werk?
5
15-032016
5
Automatisering is niet nieuw … • t/m 60-er jaren: planning via handberekeningen • 1967: intrede computer (Cunningham)
6
15-032016
6
Automatisering is niet nieuw … • Jaren ’80: opkomst van 3D dosisberekening − Complexere dosisverdelingen − Mogelijkheden gebruik van m.n. CT
• 1986: UMPlan
− 1e interactieve 3D TPS
• Jaren ‘90: opkomst 3D CRT − − − −
Complexere veldvormen 3D dosisberekening steeds belangrijker Beschikbaarheid TPS-en neemt langzaam toe Het maken van planningen steeds complexer
7
15-032016
7
Automatisering is niet nieuw … • Eind jaren ’90: opkomst IMRT
− 3D dosisberekening essentieel − Aantal planningparameters neemt exponentieel toe
• Inverse planning
− “de computer maakt de planning voor je” − Van tweaken bundels naar tweaken objectives
8
15-032016
8
Automatisering is niet nieuw … • Gebruik van scripting (& class solutions)
− Automatiseren van veel voorkomende handelingen/planning − The sky is the limit …
9
15-032016
9
Automatisering is niet nieuw … • Automatisering van RT planning is al lang gaande • Vooral IMRT was een grote stap vooruit
− “We hoeven alleen nog maar op een knop te drukken” …
• Heeft het mogelijk gemaakt om veel complexere behandelingen te geven
10
15-032016
10
Waarom plan automatisering? • Efficiency
− Een manier om om te gaan met de toenemende complexiteit − Beperken van aantal “standaard” handelingen − Reductie hoeveelheid tijd per planning
• Kostenbesparing
− Efficiency = meer doen met minder mensen − (Eenmalige) investering in SW ipv terugkerend salaris
• Kwaliteit
− Minder afhankelijk van ervaring planner − Een computer is geduldiger dan een mens …
• Consistentie
− Een algorithme zal altijd dezelfde keuze maken
11
15-032016
11
Het effect van geduld … • Rekentijd als beperkende factor voor kwaliteit Fast computer
Slow computer
Slow computer
• Snelle systeem ~ 5x sneller • Score op clinical goals • Gebruikers snelle systeem scoren aanzienlijk beter 12
* The effect of planning speed on VMAT plan quality, white paper RaySearch Labs
15-032016
12
Hoe? Het planningsproces
Beeldvorming
Intekenen
Bundel configuratie
Bereken dosisverdeling
Berekenen dosis parameters
Plan evaluatie
13
15-032016
13
Inverse planning Initiële objectives
Bundel configuratie
Optimalisatie (aanpassen segmenten)
Aanpassen/ toevoegen objectives
Evaluatie dosis
Klaar!
14
15-032016
14
Hoe werk het? • De kunst is het vinden van de juiste objectives − − − −
Vertaalslag van klinische eisen naar objectives Balans tussen de verschillende (conflicterende) eisen Parameters niet onafhankelijk van elkaar Wanneer is het optimale bereikt?
• Oplossingen zijn vaak patiënt-afhankelijk
− Sterk afhankelijk van bijv. tumorgrootte en -positie − Bij de één valt meer te sparen dan bij de ander
⇓ Laat de computer zoeken naar de optimale objectives
15
15-032016
15
Hoe werkt het? 3 (2 ½?) smaken • Knowledge-based systemen − Varian RapidPlan
• Automatisch plannen − − − −
Pinnacle3 AutoPlanning iCycle rayAutoBreast (RayStation Plan Explorer)
• Multi-criteria optimization − RayStation rayNavigator
16
15-032016
16
Knowledge-based systemen • Plan database als uitgangspunt
− Algemene database of eigen patiënten
• Vastleggen relatie geometrie & dosisniveau’s • Dose volume objectives op basis van database • Voordelen:
− Gebaseerd op ervaring eerdere patiënten − Bevat dus informatie over klinische gemaakte keuzes
• Nadelen:
− Gebaseerd op ervaring eerdere patiënten − Alleen toepasbaar voor bekende indicaties
17
15-032016
17
Automatisch plannen • Algorithme dat de gedachtengang van een planner simuleert • Toevoegen objectives via standaard recept − Target dose/conformiteit − Risico-organen − Evt. in latere fase extra tweaks voor fine-tuning
• Gebalanceerd verlagen dosis op risico-organen • Voordelen:
− Algemeen toepasbaar zonder a-priori kennis planningen − Probeert OAR dosis altijd te minimaliseren
• Nadelen:
− Mogelijkheden bijsturing
18
15-032016
18
Multi-criteria optimization • Breng Pareto oppervlak in kaart - Creeer optimaal plan voor iedere OAR - Verdere verfijning door uitrekenen “tussenliggende” plannen
• Inschatting tussenliggende punten via slimme interpolatie • Navigeer over oppervlak via sliders • Voordelen: - Live navigeren door verschillende trade-offs - Geen a-priori keuze nodig
• Nadelen: - Overzetten van MCO naar deliverable plan - Ook navigeren vereist ervaring
19
15-032016
19
Tussen MCO & autoplanning in? • RayStation Plan Explorer
− Brute-force genereren van alternatieve plannen − Tool om te filteren op plan eigenschappen
20
15-032016
20
Hebben we straks nog werk? • Automated planning haalt een stuk werk uit handen
− Plannen gaat sneller of in ieder geval met minder menselijke interactie
• Levert je (als het goed is) direkt een eindantwoord op • Reductie personeel goed selling point om je investering te doen
21
15-032016
21
Hebben we straks nog werk? • Autoplanning voor standaard gevallen • Meer tijd voor individualisering behandeling bij lastige planningen • Opent de weg naar routinematige ART − Dosis herevaluatie − Plan adaptatie
• Focus op imaging?
− Pre-treatment − Treatment response
• Vergelijkbaar met opkomst IMRT?
− Plannen met clinical goals ipv objectives
22
15-032016
22
Wat zijn de uitdagingen • Snelheid van computerhardware:
− Software is niet zo slim als een planner rekenpower − Sommige benaderingen genereren niet 1 maar vele plannen − Tijd is kritisch bij online adaptive RT
• Rol voor GPU-based & cloud computing
23
15-032016
23
Wat zijn de uitdagingen? • Welke patiënten zijn geschikt voor autoplanning? − Waar volstaan de standaard clinical goals?
• Beoordelen planningen
− Beoordeling is gebaseerd op ervaring − In hoeverre kun je de computer vertrouwen? − Hoe efficient n plannen beoordelen?
• QA van plannen
− Wat als er geen − Meewegen als factor voor plan beoordeling? − Welke QA is noodzakelijk om plan veilig af te stralen?
24
15-032016
24
Wat zijn de uitdagingen? • De opkomst van “Big Data”
− Een stap richting automatisering van het proces voordat het plannen begint − De gateway naar geïndividualiseerde behandelingen − De ultieme bron van input voor clinical goals
25
15-032016
25
Wat zijn de uitdagingen? • Imaging & delineation − − − −
Intekenen wordt tijdkritische stap Bepaalt ook in belangrijke mate outcome Automatisch contouren blijft lastig Deformable registration voor o.a. dose tracking
26
15-032016
26
Final remarks … • Scripting & class solutions boden al een oplossing voor automatisch plannen • Eerste volwassen tools nu klinisch beschikbaar • Zullen zeker voor standaard planningen een stuk werk wegnemen • Openen de weg naar nieuwe uitdagingen − Adaptive RT − Big data
27
15-032016
27
De dokter en laborant overbodig?
• Maar de invulling van het werk verandert wel … 28
15-032016
28
