Integrering av adaptiv protonterapi ved pediatriske solide svulster og Hodgkins lymfom

Pediatriske pasienter som mottar protonterapi for solide svulster eller Hodkins lymfom kan oppleve anatomiske endringer under behandlingen som kan påvirke protonterapinøyaktigheten. Denne prospektive enarmsstudien bruker regelmessig billeddannelse med lav dose for å overvåke disse endringene og justere behandlingsplanene etter behov. Deltakerne vil motta ukentlig eller annenhver uke CT-skanninger, med MRI når det er hensiktsmessig, for å vurdere om den opprinnelige planen fortsatt er nøyaktig. Behandlingsplaner vil bli oppdatert hvis svulstdekningen reduseres med mer enn 5 % eller hvis stråledosen til normale vev øker med mer enn 10 %; ellers vil den opprinnelige planen fortsette. Studien har som mål å fastslå hvor ofte planjusteringer er nødvendige og å identifisere hvilke sykdomssteder som mest sannsynlig vil oppleve betydelige anatomiske endringer under behandlingen.

Primært mål:

• Definere hyppigheten av omplanlegging nødvendig for å sikre at svulstdekningen aldri faller under 95 % (eller 5 % reduksjon) av den foreskrevne daglige dosen hos deltakere med intakte (makroskopiske) svulster for å opprettholde optimal svulstkontroll gjennom den flerukers behandlingsregimen.
• Definere hyppigheten av omplanlegging nødvendig for å sikre at risikoorganer (kritiske organer) ikke avviker med mer enn 10 % fra de opprinnelig godkjente doserestriksjonene for å holde normalvevskomplikasjonene minimale gjennom den flerukers behandlingsregimen.

Sekundære mål

• Etablere et keglestråle-CT (CBCT)-basert rammeverk for å kvantifisere kroppsoverflateendringer gjennom behandlingsforløpet. Dette målet vil bli oppnådd ved å utvikle en ny algoritme som oppdager og sporer eksterne anatomiske variasjoner longitudinelt, uten å kreve CBCT-bildeforbedring, noe som muliggjør presis vurdering av daglig deltakerposisjonering og anatomisk stabilitet.
• Overvinne daglige CBCT-kvalitetsbegrensninger ved å generere syntetiske CT-bilder som nøyaktig representerer daglig anatomi og støtter proton-doseomberegning eller verifiseringsplanlegging. Dette målet vil bli oppnådd ved å utvikle en hybrid prosess som integrerer dyp læringsmodeller med den deformable bilderegistreringsalgoritmen, trent og validert på sykdomssteds-spesifikke data. Dette vil muliggjøre presis dosemapping og vevstetthetsestimering, som direkte støtter adaptive planleggingsbeslutninger uten behov for diagnostisk kvalitets CT-bilder.