Proposta de metodologia para avaliação da aplicação de algoritmos de IA no planejamento radioterápico

Abstract

O aumento da incidência global dos casos de câncer, previsto em 24 milhões de casos até 2030 destaca a urgência de ampliar o acesso à radioterapia. A disparidade é evidente: países desenvolvidos têm uma máquina para 120.000 habitantes, enquanto no Brasil, por exemplo, a proporção é de uma para 543.068. A medicina personalizada, que exige replanejamentos frequentes, tende a agravar esse cenário. A inteligência artificial surge como uma solução promissora, mas enfrenta desafios como a falta de validação e evidências robustas para sua adoção clínica. Este trabalho apresenta uma proposta de metodologia para avaliar algoritmos de IA em radioterapia registrada no PROSPERO sob o número CRD42024574448. A avaliação engloba tanto o desempenho, considerando métricas de segmentação e planejamento dosimétrico, quanto a viabilidade clínica, analisando aspectos como dados, treinamento, rastreabilidade, reprodutibilidade e explicabilidade. O protocolo Durante a elaboração deste documento, foram identificadas questões estruturais relevantes que antecedem a IA. Essas questões referem-se à falta de padronização na prescrição e relato de doses entre as múltiplas diretrizes clínicas bem como a existência de múltiplas diretrizes de contorno, dificultando a comparabilidade entre estudos nessas áreas. O avanço tecnológico traz novos desafios, como a ausência de conjuntos de dados padronizados para validar métricas matemáticas empregadas na avaliação da segmentação, além da crescente demanda por maior explicabilidade algorítmica. Para garantirmos que o uso da IA possa contribuir com a redução da disparidade de acesso é necessário um esforço interdisciplinar para viabilizar a padronização de diretrizes clínicas, a criação de bancos de dados compartilhados e o desenvolvimento de algoritmos transparentes e reprodutíveis. Apesar do estágio incipiente desses sistemas na radioterapia, avanços significativos já foram alcançados. Visando a validação desses sistemas bem como a aceleração dos avanços, a padronização de métricas e ferramentas é essencial para evitar inconsistências que prejudiquem a aplicação prática.

The increasing global incidence of cancer cases, projected to reach 24 million by 2030, highlights the urgent need to expand access to radiotherapy. The disparity is evident: developed countries have one radiotherapy machine for every 120,000 inhabitants, while in Brazil, for example, the ratio is one per 543,068. Personalized medicine, which requires frequent replanning, tends to exacerbate this scenario. Artificial intelligence (AI) emerges as a promising solution but faces challenges such as the lack of validation and robust evidence for its clinical adoption. This study proposes a methodology to evaluate AI algorithms in radiotherapy registered in PROSPERO under the number CRD42024574448. The evaluation encompasses both performance, considering segmentation and dosimetric planning metrics, and clinical feasibility, analyzing aspects such as data, training, traceability, reproducibility, and explainability. During the preparation of this document, relevant structural issues preceding AI were identified. These issues refer to the lack of standardization in dose prescription and reporting among multiple clinical guidelines, as well as the existence of various contouring guidelines, which hinders the comparability of studies in these areas. Technological advancements bring new challenges, such as the absence of standardized datasets for validating mathematical metrics used in segmentation evaluation, in addition to the growing demand for greater algorithmic explainability. To ensure that AI can contribute to reducing access disparities, an interdisciplinary effort is required to enable the standardization of clinical guidelines, the creation of shared data repositories, and the development of transparent and reproducible algorithms. Despite the incipient stage of these systems in radiotherapy, significant progress has already been made. To validate these systems and accelerate advancements, the standardization of metrics and tools is essential to avoid inconsistencies that could undermine practical application.