Revue généraleIntelligence artificielle appliquée à la radiothérapieArtificial intelligence applied to radiation oncology

RésuméLa réalisation d'essais comparatifs randomisés en radiothérapie peut être difficile lorsque de nouvelles modalités de traitement émergent. Ainsi, peu ou pas d'études de phase 3 ont prouvé l'intérêt de la radiothérapie conformationnelle avec modulation d'intensité dans la majorité de ses indications actuelles. Un nouveau paradigme se développe, consistant à exploiter de larges bases de données afin de répondre à certaines questions cliniques ou translationnelles. Au-delà des bases nationales (la SEER [Surveillance, Epidemiology, and End Results] ou la NCDB [National Cancer Database]), pour lesquelles le niveau de détails est souvent jugé insuffisant au regard l'hétérogénéité des populations et des traitements étudiés, la généralisation des dossiers médicaux électroniques permet maintenant au contraire de dresser des profils phénotypiques très détaillés. En parallèle, les systèmes de radiothérapie enregistrent avec précision les traitements planifiés et réalisés. Les techniques d'intelligence artificielle et d'apprentissage automatisé permettent d'exploiter de façon incrémentale ces bases de données massives afin de dégager des hypothèses permettant de mieux personnaliser nos traitements. Cette revue détaille comment ces méthodes ont déjà été exploitées dans la littérature.

Performing randomised comparative clinical trials in radiation oncology remains a challenge when new treatment modalities become available. One of the most recent examples is the lack of phase III trials demonstrating the superiority of intensity-modulated radiation therapy in most of its current indications. A new paradigm is developing that consists in the mining of large databases to answer clinical or translational issues. Beyond national databases (such as SEER or NCDB), that often lack the necessary level of details on the population studied or the treatments performed, electronic health records can be used to create detailed phenotypic profiles of any patients. In parallel, the Record-and-Verify Systems used in radiation oncology precisely document the planned and performed treatments. Artificial Intelligence and machine learning algorithms can be used to incrementally analyse these data in order to generate hypothesis to better personalize treatments. This review discusses how these methods have already been used in previous studies.