Cet article propose SPArc_dl, un modèle d'apprentissage profond non supervisé pour la présélection rapide des séquences optimales de couches d'énergie (EL) en protonthérapie (PAT). Afin de réduire la charge de calcul et les temps de traitement allongés par rapport aux méthodes existantes, nous introduisons une nouvelle représentation des données, la représentation par comptage de points, qui code le nombre de points de protons traversant la cible et les organes à risque (OAR). SPArc_dl, une architecture U-Net, est entraîné avec une triple fonction objective : maximiser le nombre de points cibles, minimiser le nombre de points OAR et réduire le temps de commutation EL. Les résultats d'évaluation utilisant les données de 35 patients atteints d'un cancer du pharynx montrent que SPArc_dl améliore à la fois la qualité de la planification et l'efficacité de l'administration par rapport à la méthode existante, SPArc_ps. Plus précisément, il améliore l'indice de fitness de 0,1, réduit l'indice d'homogénéité de 0,71, réduit la dose moyenne au tronc cérébral de 0,25 et raccourcit le temps de commutation EL de 37,2 %. Le temps d'inférence est inférieur à 1 seconde, et nous démontrons que le maintien de l'ordre des transitions EL est plus efficace. Cependant, le plan SPArc_dl présente des limites de robustesse.
