Deep-learning (DL)-based auto-contouring solutions have recently been proposed as a convincing alternative to decrease workload of target volumes and organs-at-risk (OAR) delineation in radiotherapy planning and improve inter-observer consistency. However, there is minimal literature of clinical implementations of such algorithms in a clinical routine. In this paper we first present an update of the state-of-the-art of DL-based solutions. We then summarize recent recommendations proposed by the European society for radiotherapy and oncology (ESTRO) to be followed before any clinical implementation of artificial intelligence-based solutions in clinic. The last section describes the methodology carried out by three French radiation oncology departments to deploy CE-marked commercial solutions. Based on the information collected, a majority of OAR are retained by the centers among those proposed by the manufacturers, validating the usefulness of DL-based models to decrease clinicians’ workload. Target volumes, with the exception of lymph node areas in breast, head and neck and pelvic regions, whole breast, breast wall, prostate and seminal vesicles, are not available in the three commercial solutions at this time. No implemented workflows are currently available to continuously improve the models, but these can be adapted/retrained in some solutions during the commissioning phase to best fit local practices. In reported experiences, automatic workflows were implemented to limit human interactions and make the workflow more fluid. Recommendations published by the ESTRO group will be of importance for guiding physicists in the clinical implementation of patient specific and regular quality assurances.

Les solutions de segmentation automatique basées sur l’apprentissage profond ont été proposées récemment comme une alternative intéressante pour les départements de radiothérapie pour réduire fortement la charge de travail liée à la définition des volumes cibles et des organes à risque dans la planification de traitement et améliorer la cohérence inter-experts. Peu de publications dans la littérature décrivent cependant la mise en œuvre clinique de ces algorithmes. Cet article vise à présenter dans un premier temps une mise à jour de l’état de l’art des solutions de segmentation automatique basées sur l’apprentissage profond. La deuxième partie résume les recommandations récentes publiées par la société européenne de radiothérapie et d’oncologie (ESTRO) à mettre en œuvre pour une implémentation sécurisée de solutions basées sur l’intelligence artificielle. La dernière partie décrit la méthodologie suivie par trois services de radiothérapie français pour le déploiement de trois solutions commerciales différentes. D’après les informations recueillies, la majorité des OAR proposés par les constructeurs sont retenus par les centres, validant l’apport des modèles basés sur l’apprentissage profond sur la diminution de la charge de travail des cliniciens. Les volumes cibles, à l’exception des aires ganglionnaires dans les régions du sein, de la tête et du cou et pelviennes, de la glande mammaire, de la paroi mammaire, de la prostate et des vésicules séminales, ne sont pas disponibles dans les trois solutions commerciales à l’heure actuelle. Aucune implémentation ne permet aujourd’hui d’améliorer les modèles en continu, mais ceux-ci peuvent être adaptés et réentraînés dans certaines solutions pendant la phase de mise en service pour mieux correspondre aux pratiques locales. Dans les expériences rapportées, la mise en œuvre est très automatisée et ne requiert quasiment aucune intervention humaine, rendant ainsi très fluide le flux de travail. Les recommandations publiées par l’ESTRO sont importantes pour guider les physiciens dans la mise en œuvre clinique de programmes spécifiques d’assurance qualité.