O uso da inteligência artificial, e em particular do aprendizado profundo, tem sido amplamente utilizado para classificação e segmentação de imagens, inclusive em imagens médicas para diagnóstico e previsão prognóstica. No entanto, o uso do aprendizado profundo em modelagem prognóstica de radioterapia ainda é limitado.
O aprendizado profundo é um subconjunto de aprendizado de máquina e inteligência artificial que tem uma rede neural profunda com uma estrutura como o sistema neural humano e foi treinado usando big data. O aprendizado profundo reduz a lacuna entre a aquisição de dados e a interpretação significativa sem programação explícita. Até agora, superou a maioria dos métodos de classificação e regressão e pode aprender automaticamente representações de dados para tarefas específicas.
Trabalhos promissores estão sendo realizados em classificação de tecidos e estadiamento de câncer, graças à chegada de aprendizado de máquina e outros modelos sofisticados em radiologia diagnóstica.
As áreas de aplicação do aprendizado profundo em radioterapia incluem segmentação e detecção de imagem, fenotipagem de imagem e descoberta de assinaturas radiômicas, previsão de resultados clínicos, quantificação de dose de imagem, modelagem de resposta à dose, adaptação de radiação e geração de imagem.
Um artigo publicado na Clinical Oncology analisa 10 estudos sobre o assunto observando que os pesquisadores sofrem dos mesmos problemas que afligiram os primeiros modelos de probabilidade de complicação de tecidos normais, incluindo pequenas coortes de pacientes em uma única instituição, falta de validação externa, má qualidade dos dados e relatório do modelo, uso de dados tardios de toxicidade sem levar em conta o tempo de eventos e foco quase exclusivo em complicações relatadas por clínicos.
O artigo acrescenta que os estudos, no entanto, demonstram como a dose de radiação, dados de imagem e clínicos podem ser integrados tecnicamente em modelos baseados em redes neurais convolucionais, e alguns estudos exploram como o aprendizado profundo pode ajudar a entender melhor a variação espacial na radiossensibilidade. Em geral, existem vários problemas específicos na interseção da modelagem de resultados de radioterapia e aprendizado profundo, por exemplo, a tradução do desenvolvimento de modelos em otimização de plano de tratamento que exigirá um esforço combinado adicional das comunidades de radioterapia e inteligência artificial.
Portanto, o uso de aprendizado de máquina e outros modelos sofisticados para ajudar na previsão e tomada de decisões tornou-se amplamente popular em uma variedade de disciplinas. Dentro da radiologia diagnóstica, radioterapia e comunidades de física médica, estão sendo realizados trabalhos promissores em classificação de tecidos e estadiamento de câncer, previsão de resultados, segmentação automatizada, planejamento de tratamento e garantia de qualidade, bem como outras áreas.
