Como Funciona a Protonterapia e por que o Monte Carlo Importa
A protonterapia oferece um controle de dose que nenhum feixe de fótons consegue igualar. O pico de Bragg — aquela concentração abrupta de energia no final do percurso do próton — permite depositar dose máxima no tumor e praticamente zero além dele. Mas explorar esse potencial exige simulações de dose capazes de lidar com a física complexa das interações nucleares, o espalhamento coulombiano múltiplo e a dependência crítica do alcance em relação à composição dos tecidos.
Guia completo da série: para visão geral e links dos artigos relacionados, volte ao guia completo sobre Monte Carlo em radioterapia.
Algoritmos analíticos baseados em pencil beam dominam o planejamento clínico há anos. Funcionam razoavelmente em geometrias homogêneas, como o fígado, mas apresentam limitações sérias em regiões com interfaces de densidade abrupta: cabeça e pescoço, pulmão, mama. Monte Carlo resolve essas situações rastreando cada partícula individualmente, calculando espalhamento e interações nucleares voxel a voxel. Para uma visão completa do tema, confira nosso guia completo sobre Técnicas de Monte Carlo em Radioterapia.
Entrega de Feixes de Prótons: Scattering Passivo vs. Scanning
Dois métodos principais entregam a dose ao paciente. O espalhamento passivo (passive scattering) usa espalhadores duplos, moduladores rotativos e compensadores moldados para conformar o feixe ao alvo. Já o scanning magnético (beam scanning) direciona pencil beams individuais em x e y, varrendo energia por energia — a maioria das instalações novas adota este método.
Na prática, o beam scanning dispensa hardware específico por campo (apertura e compensador), permite IMPT (Intensity-Modulated Proton Therapy) e tem eficiência de Monte Carlo muito superior. Como as variações de parâmetros do feixe são menores (energia e posição dos magnetos), phase-spaces e beam models podem ser reutilizados entre campos. O espalhamento passivo, por outro lado, exige configuração única para cada campo — energia, espalhadores, modulador, apertura e compensador todos variam — consumindo tempo computacional massivo.
Física de Prótons e Modelagem Monte Carlo
A deposição de dose na protonterapia envolve ionizações, excitações, espalhamento coulombiano múltiplo e interações nucleares. A perda de energia segue a equação de Bethe-Bloch, e o espalhamento múltiplo utiliza tipicamente a teoria de Molière em métodos de história condensada classe II.
As interações nucleares merecem atenção especial. Embora não alterem significativamente a forma do pico de Bragg, causam dois efeitos cruciais: redução da fluência de prótons primários com a profundidade (regra geral: cerca de 1% por cm de alcance) e produção de prótons secundários que contribuem para a dose na região de entrada. Prótons primários e secundários respondem por cerca de 98% da dose depositada. O alcance máximo dos elétrons delta em água é de aproximadamente 2,5 mm para um próton de 250 MeV.
Ao somar múltiplos pencil beams no scanning, o “halo nuclear” ao redor de cada beamlet pode ser significativo e precisa ser modelado corretamente. Incertezas nos valores de energia média de excitação dos materiais (5–15%) podem levar a incertezas de poucos milímetros no alcance predito. Os espectros de emissão integrados em ângulo para interações próton-núcleo são conhecidos apenas dentro de 20–30%, segundo o ICRU. Ainda assim, o cálculo de dose consegue precisão típica de ~1–2%.
Códigos Monte Carlo para Protonterapia
Vários códigos estão disponíveis: FLUKA, Geant4, MCNPX, VMCpro e Shield-Hit, entre outros. Para torná-los acessíveis a não-especialistas, surgiram frameworks como GAMOS, GATE, PTsim (todos baseados em Geant4), FICTION (baseado em FLUKA) e TOPAS.
| Código/Framework | Base | Características |
|---|---|---|
| FLUKA | Standalone | Código multipróposito com modelos nucleares detalhados |
| Geant4 | Toolkit C++ | Toolkit orientado a objetos; requer programação |
| MCNPX | Standalone | Código multipróposito com transporte de partículas acoplado |
| VMCpro | Standalone | Otimizado para velocidade em protonterapia |
| TOPAS | Geant4 | Interface amigável; não requer programação; apoio NCI |
| GATE | Geant4 | Framework para simulações médicas com interface de script |
| GAMOS | Geant4 | Framework com interface amigável para radiologia |
| FICTION | FLUKA | Wrapper específico para radioterapia |
Fonte: Monte Carlo Techniques in Radiation Therapy (2nd ed., CRC Press, 2022)
O TOPAS merece destaque. Desenvolvido com apoio do National Cancer Institute dos EUA na iniciativa “Informatics Technologies for Cancer Research”, permite que não-físicos executem simulações complexas sem programação. Confira nosso artigo sobre fundamentos do Monte Carlo em radioterapia para entender as bases.
Parametrização do Feixe e Modelagem do Cabeçote
Uma simulação MC começa tipicamente na entrada ou saída do cabeçote de tratamento. Na entrada, os parâmetros relevantes são energia do feixe, spread de energia, tamanho do spot e distribuição angular. O tamanho do feixe fica tipicamente entre 2–8 mm em sigma, e o spread angular na ordem de 2–5 mm·mrad para ciclotrons. O spread de energia de ciclotrons é tipicamente menor que 1%, enquanto síncrotrons podem ter spread duas ordens de grandeza menor.
Esses parâmetros são correlacionados — posição dentro do spot e momento angular, por exemplo. Para beam scanning, essa correlação precisa ser modelada. No espalhamento passivo, o material espalhador no cabeçote tende a borrar essas correlações. Em um código MC bem calibrado, distribuições de dose medidas de um SOBP em água devem ser reproduzidas com precisão de ~1 mm em alcance e ~3 mm em largura de modulação.
Conversão CT e Cálculo de Dose no Paciente
Um dos aspectos mais críticos é a conversão de números CT em composição material, densidade de massa e potencial de ionização para cada tecido. Diferente dos fótons (onde a densidade eletrônica basta), prótons interagem por ionizações, espalhamento Coulombiano múltiplo e reações nucleares — cada tipo tem relação diferente com as propriedades do CT.
Tecidos moles com CT entre 0 e 100 são difíceis de distinguir porque combinações distintas de composição elementar produzem o mesmo número CT. Incertezas na energia média de excitação (5–15%) se traduzem em incertezas no alcance do feixe. Para tratamentos de cabeça e pescoço, esquemas de conversão CT podem influenciar o alcance em 1–2 mm. O uso de CT de dupla energia melhora significativamente a conversão, fornecendo mapas de densidade eletrônica relativa e número atômico efetivo.
Monte Carlo vs. Algoritmos Analíticos: Impacto Clínico
A diferença fundamental está no tratamento do espalhamento Coulombiano múltiplo. Algoritmos analíticos são menos sensíveis a interfaces de densidade e variações no caminho do feixe, especialmente em interfaces osso-tecido mole, osso-ar ou ar-tecido mole.
Diferenças no Alcance Predito
Margens de alcance típicas de 3,5% + 1 mm são aplicadas clinicamente para cobrir erros dos algoritmos analíticos. Com Monte Carlo rotineiro, essas margens poderiam ser reduzidas para 2,4% + 1,2 mm, independentemente da geometria. Para geometrias com heterogeneidades laterais (cabeça e pescoço, pulmão, mama), margens analíticas podem precisar chegar a 6,3% + 1,2 mm.
Diferenças na Dose
Monte Carlo prediz componentes de espalhamento maiores, resultando em dose no alvo geralmente inferior à predita por algoritmos analíticos. Diferenças na dose média do alvo podem chegar a 4% em cabeça e pescoço e pulmão, ou cerca de 2% em mama e fígado. Campos pequenos são mais sensíveis. Em implantes metálicos de alto Z (implantes dentários, marcadores de tântalo), as perturbações de dose não são preditas com precisão pelos algoritmos analíticos. Confira mais sobre o cálculo de dose Monte Carlo no paciente.
Monte Carlo como Ferramenta de QA
O uso do Monte Carlo vai além do cálculo de dose, servindo como ferramenta robusta de garantia da qualidade na protonterapia.
Uma aplicação direta é o recálculo de planos usando log files do sistema de entrega, verificando independentemente a dose entregue. Monte Carlo também auxilia no comissionamento de TPS, validando algoritmos analíticos em cenários difíceis de medir. Ao simular distribuições variando parâmetros do feixe, definem-se tolerâncias que reduzem estudos experimentais extensos.
Simulações MC permitem ainda projetar detectores de gama prompt para verificação de alcance in vivo e otimizar reconstrução de imagem para tomografia computadorizada de prótons. Para distribuições de LET e efeitos radiobiológicos, códigos como TOPAS-nBio estendem a física do Geant4 ao nível nanométrico, simulando danos ao DNA e clustering de eventos de deposição de energia. Veja também como o dynamic beam delivery se integra neste contexto.
Dose-to-Water vs. Dose-to-Tissue
Algoritmos analíticos calculam dose-to-water porque toda experiência clínica e dosimetria são baseadas em água. Monte Carlo calcula dose-to-tissue naturalmente. A diferença é clinicamente insignificante para tecidos moles (~2%), mas em anatomia óssea dose-to-water pode ser 10–15% maior. Na maioria dos casos, conversão retroativa por stopping powers relativos é suficiente (precisão de ~1%).
Perspectivas do Monte Carlo Clínico
Os principais fornecedores de TPS já trabalham em planejamento baseado em Monte Carlo. A integração direta no loop de otimização para IMPT é o próximo passo, demandando estratégias como re-segmentação de geometria voxelizada e suavização de distribuições de dose. Centros de referência já implementaram sistemas MC in-house via interfaces DICOM-RTion. Para aplicações em feixes de íons e modelagem de fontes em braquiterapia, confira nossos artigos dedicados.
