In radiotherapy, patient-specific quality assurance is very time-consuming and causes machine downtime. It consists of testing (using measurement with a phantom and detector) if a modulated plan is correctly delivered by a treatment unit. Artificial intelligence and in particular machine learning algorithms were mentioned in recent reports as promising solutions to reduce or eliminate the patient-specific quality assurance workload. Several teams successfully experienced a virtual patient-specific quality assurance by training a machine learning tool to predict the results. Training data are generally composed of previous treatment plans and associated patient-specific quality assurance results. However, other training data types were recently introduced such as actual positions and velocities of multileaf collimators, metrics of the plan's complexity, and gravity vectors. Different types of machine learning algorithms were investigated (Poisson regression algorithms, convolutional neural networks, support vector classifiers) with sometimes promising results. These tools are being used for treatment units’ quality assurance as well, in particular to analyse the results of imaging devices. Most of these reports were feasibility studies. Using machine learning in clinical routines as a tool that could fully replace quality assurance tests conducted by physics teams has yet to be implemented.

En radiothérapie, le contrôle de qualité patient est une activité chronophage qui représente un temps important d’inactivité pour les machines de traitement. Il consiste à tester (en réalisant une mesure à l’aide d’un fantôme et d’un détecteur) si un plan de traitement modulé est correctement délivré par la machine de traitement. Il est généralement réalisé pour tous les patients d’un type de traitement donné. L’intelligence artificielle, et plus particulièrement le machine learning, est évoquée dans la littérature récente comme une solution qui pourrait permettre de réduire, voire de supprimer la charge de travail des contrôles de qualité patient. Plusieurs équipes ont implémenté avec succès un contrôle de qualité patient virtuel en entraînant un algorithme de machine learning à prédire les résultats des contrôles de qualité patient (afin de ne plus les réaliser). Les données d’apprentissage sont généralement composées de plans de traitement passés ainsi que des résultats des contrôles de qualité patient associés. D’autres types de données d’apprentissage ont récemment été introduits comme les positions réelles des lames du collimateur multilames, les indices de complexité du plan ou les vecteurs de gravité. Plusieurs algorithmes de machine learning ont été explorés (régression de Poisson, réseaux de neurones, support vector classifier) avec quelques résultats prometteurs. Ces outils commencent également à être utilisés pour le contrôle de qualité des machines de traitement, en particulier les dispositifs d’imagerie embarquée, à la fois pour l’étape d’acquisition mais également pour l’analyse des résultats. La majorité de ces travaux sont des études de faisabilité de ces outils et leur utilisation en routine clinique pour remplacer les tests de contrôle de qualité reste à mettre en œuvre.