Este artículo propone SPArc_dl, un modelo de aprendizaje profundo no supervisado para la preselección rápida de secuencias óptimas de la capa de energía (EL) en la terapia de haz de protones (PAT). Para abordar la carga computacional y los tiempos de tratamiento prolongados en comparación con los métodos existentes, introducimos una novedosa representación de datos, la representación de recuento de puntos, que codifica el número de puntos de protones que pasan por el objetivo y los órganos en riesgo (OAR). SPArc_dl, una arquitectura U-Net, se entrena con una triple función objetivo: maximizar el número de puntos objetivo, minimizar el número de puntos OAR y reducir el tiempo de conmutación de la EL. Los resultados de la evaluación, utilizando datos de 35 pacientes con cáncer de faringe, muestran que SPArc_dl mejora tanto la calidad de la planificación como la eficiencia de la administración en comparación con el método existente, SPArc_ps. Específicamente, mejora el índice de aptitud en 0,1, reduce el índice de homogeneidad en 0,71, reduce la dosis media en el tronco encefálico en 0,25 y acorta el tiempo de conmutación de la EL en un 37,2%. El tiempo de inferencia es inferior a 1 segundo, y demostramos que no cambiar el orden de las transiciones EL es más eficiente. Sin embargo, el plan SPArc_dl presenta limitaciones en cuanto a robustez.
