Integration af adaptiv protonterapi ved pædiatriske solide tumorer og Hodgkins lymfom

Pædiatriske patienter, der modtager protonterapi for solide tumorer eller Hodgkins lymfom, kan opleve anatomiske ændringer under behandlingen, som kan påvirke protonterapiens nøjagtighed. Denne prospektive enarmsstudie bruger regelmæssig billeddannelse med lav dosis til at overvåge disse ændringer og justere behandlingsplaner efter behov. Deltagerne vil modtage ugentlige eller hveranden uges CT-scanninger, med MRI når det er relevant, for at vurdere om den oprindelige plan forbliver nøjagtig. Behandlingsplaner vil blive opdateret, hvis tumordækningen falder med mere end 5% eller hvis stråledosis til normale væv stiger med mere end 10%; ellers vil den oprindelige plan fortsætte. Studiets mål er at fastslå, hvor ofte planjusteringer er nødvendige, og at identificere hvilke sygdomssteder, der med størst sandsynlighed oplever betydelige anatomiske ændringer under behandlingen.

Primært mål:

• Definere hyppigheden af genplanlægning, der er nødvendig for at sikre, at tumordækningen aldrig falder under 95% (eller 5% fald) af den ordinerede daglige dosis hos deltagere med intakte (groft set) tumorer for at opretholde optimal tumor kontrol gennem det flerugers behandlingsregime.
• Definere hyppigheden af genplanlægning, der er nødvendig for at sikre, at risikoorganer (kritiske organer) ikke afviger med mere end 10% fra de oprindeligt godkendte dosisbegrænsninger for at minimere normale vævskomplikationer gennem det flerugers behandlingsregime.

Sekundære mål

• Etablere en cone beam CT (CBCT)-baseret ramme for at kvantificere kropsoverfladeændringer gennem hele behandlingsforløbet. Dette mål vil blive opnået ved at udvikle en ny algoritme, der opdager og følger eksterne anatomiske variationer longitudinelt uden at kræve CBCT-billedforbedring, hvilket muliggør præcis vurdering af daglig deltageropsætningskonsistens og anatomisk stabilitet.
• Overvinde daglige CBCT-kvalitetsbegrænsninger ved at generere syntetiske CT-billeder, der nøjagtigt repræsenterer daglig anatomi og understøtter proton-dosisgenberegning eller verifikationsplanlægning. Dette mål vil blive opnået ved at udvikle en hybrid pipeline, der integrerer deep learning-modeller med den deformerbare billedregistreringsalgoritme, trænet og valideret på sygdomsstedspecifikke data. Dette vil muliggøre præcis dosiskortlægning og vævstæthedsestimering, der direkte understøtter adaptive planlægningsbeslutninger uden behov for diagnosticeringskvalitets CT-billeder.