Vorhersage des dosisgemittelten linearen Energietransfers von Protonen bei Patienten mit primärem Hirntumor durch Convolutional Neural Networks

Einleitung
In der Radioonkologie hat sich die Protonentherapie als Alternative zur Photonentherapie etabliert. Die relative biologische Wirksamkeit (RBW) von Protonen wird bislang klinisch als konstant angenommen, hängt jedoch u. a. von der physikalischen Dosis, dem Gewebetyp und dem linearen Energietransfer (LET) ab. Die Vernachlässigung dieser Variabilität kann zu einer relevanten Unterschätzung von therapiebedingten Nebenwirkungen führen. Die Berechnung des LET ist in einigen Bestrahlungsplanungssystemen möglich, steht jedoch in anderen Systemen sowie für retrospektive Daten nicht immer zur Verfügung. Deep-Learning-basierte Ansätze könnten in diesen Fällen helfen den LET, und somit die variable RBW, abzuschätzen. In dieser Arbeit wird das Potenzial von 3D Convolutional Neural Networks (CNN) zur Berechnung des dosisgemittelten LET (LETd) auf Basis der geplanten Dosisverteilung untersucht.

Material & Methoden
An einer Kohorte von 115 an der Universitäts Protonen Therapie Dresden behandelten Patienten mit primärem Hirntumor wurden drei Netzwerkarchitekturen (UNet, UNETR, SegResNet) mittels einer fünffachen Kreuzvalidierung trainiert und verglichen. Das leistungsfähigste Modell wurde an 28 Patienten aus dem Westdeutschen Protonentherapiezentrum Essen validiert. Dabei wurde die mittels Monte-Carlo (MC)-Simulation generierte LETd-Verteilung anhand der geplanten Dosisverteilung vorhergesagt. Die Genauigkeit des Resultats wurde für einzelne Regionen (u. a. Hirn, Hirnstamm, CTV) bewertet. Durch die RBE-gewichtete Dosis wurden therapiebedingte Nebenwirkungen anhand veröffentlichter Modelle abgeschätzt.

Ergebnisse
Das SegResNet zeigte die qualitativ besten Ergebnisse in der Kreuzvalidierung. In der externen Validierung dieses Modells ergaben sich für den mittleren LETd im Hirn, dem Hirnstamm und dem CTV jeweils eine Wurzel der mittleren quadratischen Abweichung (RMSE) von 0,22, 0,33 und 0,25 keV/µm. Der gepaarte Wilcoxon-Vorzeichen-Rang-Test wies für die drei Regionen keine signifikanten Unterschiede zwischen den MC- und CNN-generierten Verteilungen des mittleren LETd auf. Für die Vorhersage der Wahrscheinlichkeit einer Gedächtnisstörung Grad≥2 12 Monate nach Therapie betrug die RMSE zwischen beiden Ansätzen 0,003.

Zusammenfassung
In dieser Studie wurden 3D-CNN entwickelt, die den Protonen-LETd erfolgreich anhand der geplanten Dosisverteilung vorhersagen. Beobachtete Abweichungen im LETd zeigten dabei einen geringen Einfluss auf die klinisch relevantere Vorhersage behandlungsbedingter Nebenwirkungen. Die entwickelten Modelle können einen wichtigen Beitrag für die Untersuchung der variablen RBW von Protonen leisten, insbesondere für retrospektive Patientendaten und für Kliniken ohne die Möglichkeit der MC-basierten LET-Berechnung.