Comparação dosiômica entre tratamentos de radioterapia utilizando técnica conformacional, IMRT e VMAT e em diferentes aceleradores lineares

• Ano de defesa: 2024
• Autor(a) principal: Lopes, Evandro de Oliveira Molinari
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Dosiômica; Dosiomics; Machine learning; Predição; Radiômica; Radiomics; Radioterapia; Radiotherapy
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/59/59135/tde-27092024-142400/

A dosiômica é um método de análise de textura utlizado para parametrizar regiões de interesse de distribuições de dose de planejamentos de radioterapia através de intensidade, textura e forma. Este método permite que modelos predição forneçam resultados ótimos e reprodutíveis com uma performance. Nos últimos anos diversos algoritmos de aprendizado de máquina têm sido empenhados para predizer complicações induzidas por radiação, predição de TCP e NTCP. A partir de estudos já publicados, podemos observar que diversos fatores atuam como fontes de variação dosiômica, portanto, a garantia da estabilidade dosiômica pode influenciar positivamente na construção de modelos preditivos. A estabilidade dosiômica é definida como a medida da variação nos resultados obtidos decorrentes da variação nos procedimentos experimentais ou nas configurações de parâmetros fundamentais do planejamento. Este projeto visa contribuir para o entendimento sobre a variabilidade das características dosiômicas extraídas de planejamentos de radioterapia realizados com diferentes técnicas de tratamento, em diferentes aceleradores lineares e com diferentes sistemas de planejamento, para planos de tratamento de quatro sítios anatômicos diferentes. Para avaliar a variabilidade dosiômica de forma completa, este estudo foi dividido em duas frentes, uma estatística, através do teste não paramétrico de Kruskal-Wallis e do coeficiente de variação, e outra, através de algoritmos de aprendizado de máquina. Foram utilizados os algoritmos Floresta Aleatória, k-ésimo Vizinho mais Próximo e Naive Bayes para a composição de modelos para a classificação da técnica de tratamento, do acelerador linear e do sistema de planejamento, utilizando como dados de entrada características dosiômicas extraídas do volume alvo de tratamento das distribuições de dose. Este trabalho apresenta uma metodologia baseada em uma abordagem híbrida que combina métodos estatísticos para inferência e algoritmos de aprendizado de máquina para modelagem preditiva. Esta característica torna este trabalho mais abrangente, uma vez que são utilizados de dois métodos diferentes que nos permitem compreender sobre os efeitos de características intrínsecas do planejamento na distribuição de dose. Observamos que características que apresentam diferença estatística pelo método de Kruskal-Wallis (p<0,050) entre as classes destacam diferentes aspectos da distribuição de dose. A análise detalhada dessas métricas pode orientar melhorias no planejamento do tratamento através da escolha do sistema de planejamento e algoritmo de cálculo de dose mais adequados para atender aos objetivos clínicos desejados. Foi verificado também que o aumento da estabilidade dosiômica não implica diretamente em melhora no desempenho dos modelos e que o desempenho dos modelos na classificação está relacionado com o número de características que apresentam diferença estatística pelo método de Kruskal-Wallis entre as classes.