A DoseRAD2026 é uma competição científica importante porque transforma a pergunta sobre dose predita por IA em um benchmark mensurável: dado um volume CT ou MRI e os parâmetros de um feixe, o algoritmo deve produzir uma distribuição 3D de dose por feixe.
O diferencial é que a referência não é uma opinião clínica subjetiva. O dataset fornece doses de referência geradas por transporte Monte Carlo, permitindo avaliar velocidade e erro dos métodos em tarefas com fótons e prótons.
O que a competição pede
- Dose de fótons em CT, relevante para VMAT e planejamento convencional.
- Dose de fótons em MRI, relevante para MR-Linac e radioterapia adaptativa online.
- Dose de prótons em CT, onde erro de alcance pode mudar a interpretação clínica.
- Dose de prótons em MRI, conectando MRI-only e pesquisa em protonterapia guiada por MRI.
Cada tarefa recebe imagem 3D e especificação de feixe. Para fótons, os feixes são segmentos derivados de controle VMAT com MLC, gantry e isocentro. Para prótons, os feixes são pencil beam spots com posição, energia e geometria.
Por que Monte Carlo é o ground truth
O artigo de Monte Carlo em radioterapia explica o ponto físico: MC modela transporte de partículas com maior fidelidade, mas o custo computacional ainda limita uso em fluxos que exigem resposta quase em tempo real. DoseRAD2026 usa MC como referência para testar se métodos rápidos conseguem aproximar essa física com erro aceitável.
Isso não significa que qualquer modelo treinado contra MC esteja clinicamente aprovado. Significa que há um alvo quantitativo mais forte do que comparar apenas contra planos aprovados por humanos ou contra um TPS analítico específico.
Dataset e escala
| Dimensão | Descrição |
|---|---|
| Pacientes | 122 casos torácicos e abdominais com CT e MRI espacialmente alinhados |
| Treino | 75 pacientes liberados em abril de 2026 |
| Teste | 40 pacientes privados até março de 2030 e 7 externos privados |
| Fótons | 40.500 segmentos de feixe no treino |
| Prótons | 81.000 beamlets no treino |
| Referência | Dose por feixe gerada com Geant4, reportada como dose-to-medium em Gy |
| Licença | CC BY-NC 4.0 para pesquisa e educação, não comercial |
Métricas que importam
A página de métricas separa avaliação por feixe e por plano. No nível por feixe, aparecem erro absoluto médio mascarado na região de alta dose e distância da curva IDD. No nível de plano, a avaliação combina MAE estratificado, gamma local 3D de 1%/1 mm e score clínico baseado em DVH.
O detalhe mais relevante para radioterapia adaptativa é o runtime. O desafio exige média abaixo de 1 segundo por feixe, incluindo carregamento e inicialização, em instância AWS g5. Isso força os competidores a balancear acurácia e tempo, não apenas publicar uma rede profunda lenta.
O que isso muda para a clínica
- Ajuda a separar pesquisa de dose rápida de ferramentas comerciais de planejamento assistido por IA.
- Cria uma ponte técnica com replanejamento adaptativo em CBCT e synthetic CT, onde tempo e incerteza são decisivos.
- Expõe a diferença entre gerar dose por beamlet/segmento e produzir um plano clínico aprovável.
- Reforça que validação e QA precisam avaliar anatomia, feixe, material, tempo e DVH.
Risco de interpretação
DoseRAD2026 é um benchmark, não uma autorização de uso clínico. O conjunto inclui simplificações de modelo de linac e prótons, dados privados de teste e regras próprias de submissão. Um método vencedor pode ser cientificamente promissor e ainda exigir engenharia, regulação, cibersegurança, integração DICOM e validação local antes de uso em paciente.
FAQ
DoseRAD2026 usa dados Monte Carlo para treino?
Sim. O dataset fornece, para cada feixe ou beamlet, uma distribuição de dose de referência gerada por Monte Carlo, além de CT, MRI e arquivos de configuração do feixe.
A competição avalia planos completos?
Os participantes enviam mapas por feixe; a avaliação também reconstrói o plano completo com pesos clínicos para medir MAE, gamma e métricas DVH.
Por que há tarefas em MRI?
MRI não fornece densidade eletrônica diretamente. Isso cria um problema de cálculo de dose em MRI-only, MR-Linac e fluxos adaptativos que precisam inferir ou contornar a informação de material.
Referências
- DoseRAD2026 Grand Challenge. https://doserad2026.grand-challenge.org/
- DoseRAD2026 dataset. https://doserad2026.grand-challenge.org/data/
- DoseRAD2026 metrics and ranking. https://doserad2026.grand-challenge.org/metrics-and-ranking/
- DoseRAD2026 rules. https://doserad2026.grand-challenge.org/timeline-and-rules/
- DoseRAD2026 Hugging Face dataset. https://huggingface.co/datasets/LMUK-RADONC-PHYS-RES/DoseRAD2026
- DoseRAD2026 Zenodo DOI. https://doi.org/10.5281/zenodo.19347848
- DoseRAD2026 dataset paper. https://doi.org/10.48550/arXiv.2604.12778
