Deep learning applied to dose prediction in external radiation therapy: A narrative review

Over the last decades, the use of artificial intelligence, machine learning and deep learning in medical fields has skyrocketed. Well known for their results in segmentation, motion management and posttreatment outcome tasks, investigations of machine learning and deep learning models as fast dose calculation or quality assurance tools have been present since 2000. The main motivation for this increasing research and interest in artificial intelligence, machine learning and deep learning is the enhancement of treatment workflows, specifically dosimetry and quality assurance accuracy and time points, which remain important time-consuming aspects of clinical patient management. Since 2014, the evolution of models and architectures for dose calculation has been related to innovations and interest in the theory of information research with pronounced improvements in architecture design. The use of knowledge-based approaches to patient-specific methods has also considerably improved the accuracy of dose predictions. This paper covers the state of all known deep learning architectures and models applied to external radiotherapy with a description of each architecture, followed by a discussion on the performance and future of deep learning predictive models in external radiotherapy. L'utilisation de l'intelligence artificielle, de l'apprentissage automatique et de l'apprentissage profond a explosé ces dix dernières années dans le domaine médical. Bien connus pour leurs résultats en segmentation, en gestion du mouvement et en prédiction des effets de traitement, les approches basées sur l'apprentissage automatique et l'apprentissage profond en tant que modèles pour le calcul de doses rapide ou l'assurance qualité ont émergé en 2000. Derrière cet intérêt croissant, la motivation principale est l'amélioration du déroulement du traitement, en particulier la dosimétrie, la précision/rapidité et l'assurance qualité, qui restent consommateurs de temps importants dans la prise en charge clinique du patient. Depuis 2014, l'évolution des modèles et des architectures pour le calcul de dose est liée aux innovations en recherche en théorie de l'information, avec un intérêt prononcé dans la conception des architectures. L'apparition d'approches basées sur la connaissance pour des méthodes spécifiques au patient a également amélioré considérablement la précision de la prédiction de dose. Cet article présente un état de l'art de toutes les architectures et modèles d'apprentissage profond appliqués à la radiothérapie externe, avec une présentation de chaque architecture, suivie d'une discussion des performances et futures modèles prédictifs en radiothérapie externe.