Een team van onderzoekers heeft een nieuw generatief AI-model ontwikkeld dat radiotherapieplanning flexibeler maakt door rekening te houden met de specifieke voorkeuren van de behandelaar. De methode kan in bepaalde scenario's de kwaliteit en aanpasbaarheid van bestaande commerciële systemen overtreffen.
De planning van radiotherapie is een complex proces waarbij de aanpak sterk kan variëren tussen verschillende medische instellingen en individuele planners. Volgens een publicatie op arxiv.org steunen de meeste huidige deep learning-benaderingen voor 3D-dosievoorspelling op referentieplannen als 'ground truth' tijdens de training. Dit kan ertoe leiden dat modellen onbedoeld worden beïnvloed door specifieke planningsstijlen of de voorkeuren van een bepaalde instelling, wat de objectiviteit en flexibiliteit kan beperken.
Focus op gebruikersvoorkeuren
Om dit probleem aan te pakken, hebben onderzoekers onder wie Riqiang Gao een innovatief generatief model geïntroduceerd. In plaats van strikt vast te houden aan historische referentieplannen, voorspelt dit model 3D-dosisverdelingen op basis van door de gebruiker gedefinieerde voorkeuren, die in de studie worden aangeduid als "preference flavors".
Deze aanpasbare voorkeuren stellen radiotherapie-planners in staat om specifieke afwegingen te prioriteren tussen de planning target volumes (PTV's) en de organen die gespaard moeten blijven, de zogenaamde organs-at-risk (OAR's). Hierdoor ontstaat een grotere mate van personalisatie in de behandeling, waarbij de AI fungeert als ondersteuning voor de klinische expertise van de planner.
Prestaties en erkenning
Het systeem is specifiek ontworpen voor een naadloze integratie met klinische planningssystemen voor behandelingen, met als doel de efficiëntie bij het genereren van kwalitatieve plannen te verhogen. Uit vergelijkende evaluaties blijkt dat de voorgestelde methode in sommige scenario's beter presteert dan het Varian RapidPlan-model, zowel wat betreft de kwaliteit van het plan als de mate van aanpasbaarheid, aldus de details op neurips.cc.
Het onderzoek is breed erkend binnen de wetenschappelijke gemeenschap. Het project werd gepresenteerd als een "Oral" tijdens de tweede workshop over GenAI voor Gezondheid op de NeurIPS 2025-conferentie en werd daar bekroond met de prijs voor het beste paper in de categorie GenAI4Health, zoals vermeld in de documentatie van .
Academische context en expertise
De ontwikkeling van dit model past in een bredere trend van AI-toepassingen in de gezondheidszorg. Riqiang Gao, een van de hoofdauteurs en senior staff AI scientist bij Siemens Healthineers, heeft een uitgebreid trackrecord in AI voor de zorg, waaronder onderzoek naar risico-inschatting bij longkanker, zoals beschreven op zijn persoonlijke pagina via github.io.
Naast het huidige project is Gao betrokken bij diverse andere innovaties op het gebied van stralingsbehandeling, waaronder het gebruik van diffusiemodellen voor het optimaliseren van radiotherapieplannen via fluorescentiekaarten, een onderwerp dat werd besproken op MICCAI 2026. Ook onderzoek naar 3D-diffusiemodellen met kennisoverdracht voor radiotherapieplanning is recentelijk gepresenteerd op de CVPR 2026, wat de voortdurende evolutie van generatieve AI in dit medische domein onderstreept, volgens .
Door de verschuiving van rigide referentiemodellen naar flexibele, door de gebruiker gestuurde AI-systemen, hopen de onderzoekers de precisie van radiotherapie te verhogen en de werkdruk voor medisch personeel te verminderen zonder de klinische controle uit handen te geven.