Study of Artificial Intelligence Approaches for VMAT Plan Complexity and Feasibility Analysis

Abstract

This study aims to evaluate the complexity and exploring feasibility of Volumetric Modulated Arc Therapy (VMAT) plans using Artificial Intelligence (AI). The objective is to analyze VMAT plans quantitatively and qualitatively, considering parameters such as arc segments, dose modulation, and organ-at-risk doses. Additionally, the study compares the performance of AI models with traditional methods in evaluating VMAT plan quality. Materials and Methods: The study utilized Monaco, a treatment planning software by Elekta, incorporating Monte Carlo and collapsed cone methods for dose calculations. A total of 22 VMAT plans were generated using Elekta Versa HD, Infinity 1, and Infinity 2 accelerators. Dosimetric measurements were conducted with the Delta4 phantom and analyzed using Scandidos software for gamma index evaluations. Complexity indices such as PMU, MFA, MD and MU/Degree, were computed to assess plan intricacy. Results: PMU, MFA, and MU/Degree effectively assess radiotherapy plan complexity. While MD shows potential, further research is needed to fully utilize these metrics and improve patient outcomes. Conclusion: This study underscores the utility of AI in enhancing VMAT planning, providing insights into plan complexity and feasibility while maintaining high dosimetric accuracy. Further advancements in AI applications hold promise for optimizing radiotherapy workflows and improving patient outcomes in oncological treatments ===================================================================================================== Objectif: Cette étude vise à évaluer la complexité et la faisabilité des plans de traitement par arcthérapie volumétrique modulée (VMAT) à l'aide de l’intelligence artificielle (IA). L'objectif est d'analyser les plans VMAT de manière quantitative et qualitative, en tenant compte de paramètres tels que les segments d'arc, la modulation de dose et les doses aux organes à risque. L'étude compare également les performances des modèles d'IA aux méthodes traditionnelles d'évaluation de la qualité des plans VMAT. Matériels et méthodes: L'étude a utilisé Monaco, un logiciel de planification de traitement d'Elekta, intégrant les méthodes Monte Carlo et cône effondré pour le calcul des doses. Un total de 22 plans VMAT ont été générés à l'aide des accélérateurs Elekta Versa HD, Infinity 1 et Infinity 2. Les mesures dosimétriques ont été réalisées avec le fantôme Delta4 et analysées à l'aide du logiciel Scandidos pour les évaluations de l'indice gamma. Des indices de complexité tels que PMU, MFA, MD et MU/Degré ont été calculés pour évaluer la complexité du plan. Résultats: PMU, MFA et MU/Degré permettent d’évaluer efficacement la complexité des plans de traitement en radiothérapie. Bien que le MD soit prometteur, des recherches supplémentaires sont nécessaires pour exploiter pleinement ces paramètres et améliorer les résultats pour les patients. Conclusion: Cette étude souligne l'utilité de l'IA pour améliorer la planification VMAT, en fournissant des informations sur la complexité et la faisabilité du plan tout en maintenant une précision dosimétrique élevée. De nouvelles avancées dans les applications de l'IA sont prometteuses pour optimiser les flux de travail en radiothérapie et améliorer les résultats des patients dans les traitements oncologiques.