গভীর শিক্ষা দ্রুত এবং সঠিক প্রোটন ডোজ গণনা সক্ষম করে

সফল বিকিরণ থেরাপি একটি নির্ভুল চিকিত্সা পরিকল্পনা তৈরির উপর নির্ভর করে যা বিকিরণ ডোজকে নির্দিষ্ট লক্ষ্যে সুনির্দিষ্টভাবে সরবরাহ করবে। এই পরিকল্পনার নির্ভুলতা, তবে, অন্তর্নিহিত ডোজ গণনার নির্ভুলতার মতোই ভাল। এবং প্রোটন থেরাপির জন্য, সঠিক ডোজ গণনা আরও বেশি গুরুত্বপূর্ণ, কারণ প্রোটনগুলি ফোটনের তুলনায় আরও বেশি কনফর্মাল ডোজ বিতরণ করে এবং শারীরবৃত্তীয় পরিবর্তনের জন্য আরও সংবেদনশীল।

মায়ো ক্লিনিকের ১ম প্রোটন থেরাপি গবেষণা কর্মশালায় বক্তব্য রাখছেন, স্টিভ জিয়াং - মেডিকেল কৃত্রিম বুদ্ধিমত্তা এবং অটোমেশনের অধ্যাপক এবং পরিচালক (Maia) ইউটি সাউথওয়েস্টার্ন মেডিক্যাল সেন্টারের ল্যাবরেটরি - প্রোটন ডোজ গণনার মূল প্রয়োজনীয়তাগুলি বর্ণনা করেছে - এবং এমন উপায়গুলি বর্ণনা করেছে যাতে গভীর শিক্ষা এই লক্ষ্যগুলি অর্জনে সহায়তা করতে পারে।

উচ্চ নির্ভুলতার পাশাপাশি জিয়াং ব্যাখ্যা করেছেন, প্রোটন ডোজ গণনাও দ্রুত হওয়া দরকার। চিকিত্সা পরিকল্পনার জন্য এর অর্থ কয়েক মিনিট; অভিযোজিত রেডিওথেরাপিতে ভগ্নাংশ ডেলিভারির আগে পুনরায় পরিকল্পনা করার জন্য, কয়েক সেকেন্ড। আরও সামনের দিকে তাকালে, আমরা চিকিত্সা প্রসবের সময় রিয়েল-টাইম অভিযোজনের প্রবর্তন দেখতে পারি। "আমরা এখনই এটা করি না," তিনি উল্লেখ করেন। "কিন্তু কিছু সময়ে আমরা বাস্তব সময়ে চিকিত্সা পরিকল্পনা মানিয়ে নিতে চাই। এই ধরনের অ্যাপ্লিকেশনের জন্য, আমাদের মিলিসেকেন্ডে ডোজ গণনা করতে হবে।"

বর্তমানে, ডোজ গণনার জন্য দুটি প্রধান ধরনের কৌশল ব্যবহৃত হয়, যা দ্বারা প্রতিনিধিত্ব করা হয়: পেন্সিল বিম অ্যালগরিদম, যা কম সঠিক কিন্তু বেশ দ্রুত; এবং মন্টে কার্লো (MC) সিমুলেশন, যা আরো সঠিক কিন্তু সাধারণত অনেক ধীর। "কিন্তু আমাদের প্রোটন ডোজ গণনার জন্য সঠিকতা এবং গতির প্রয়োজন," জিয়াং বলেছেন। "সুতরাং একটি অপূরণীয় ক্লিনিকাল প্রয়োজন রয়েছে: আমাদের একটি অ্যালগরিদম বিকাশ করতে হবে যা দ্রুত এবং সঠিক উভয়ই।"

তাহলে কিভাবে এই অর্জন করা যেতে পারে? একটি পদ্ধতি হল এমসি গণনার দক্ষতা উন্নত করা, এমসি কোডকে ত্বরান্বিত করতে গ্রাফিক্স প্রসেসিং ইউনিট (জিপিইউ) ব্যবহার করে, উদাহরণস্বরূপ, বা এমসি-গণনা করা ফলাফলে অন্তর্নিহিত শব্দ কমাতে গভীর শিক্ষা-ভিত্তিক ডিনোইসিং। আরেকটি বিকল্প হল পেন্সিল বিম অ্যালগরিদমের নির্ভুলতা উন্নত করতে গভীর শিক্ষার পদ্ধতি ব্যবহার করা। অবশেষে, নতুন, সম্পূর্ণ ভিন্ন অ্যালগরিদম বিকাশ করা সম্ভব হতে পারে যা উভয় প্রয়োজনীয়তা পূরণ করে; এবং গভীর শিক্ষা এই সম্ভাবনা অন্বেষণ করতে সাহায্য করতে পারে।

গতি এবং নির্ভুলতার সমন্বয়

MC সিমুলেশনের GPU-ত্বরণ ইতিমধ্যেই সম্ভব। দশ বছর আগে (ইউসি সান দিয়েগোতে থাকাকালীন এবং ম্যাস জেনারেল হাসপাতালের সহযোগিতায়), জিয়াং এবং সহকর্মীরা বিকাশ করেছিলেন জিপিএমসি, একটি GPU-তে দ্রুত প্রোটন ডোজ গণনার জন্য একটি MC প্যাকেজ। এটি 1-10 সেকেন্ডে 20% অনিশ্চয়তার সাথে একটি সাধারণ প্রোটন চিকিত্সা পরিকল্পনার গণনা সক্ষম করে। জিয়াং নোট করেছেন যে আজকের দ্রুততর GPU গুলির সাথে, gPMC আরও উচ্চতর দক্ষতা অফার করতে পারে।

MAIA ল্যাবে সহকর্মীদের সাথে কাজ করে, জিয়াং একটি গভীর শিক্ষা-ভিত্তিক MC ডিনোইজারও তৈরি করেছে। তারা একটি তৈরি গভীর ডোজ প্লাগইন যে কোনো GPU-ভিত্তিক MC ডোজ ইঞ্জিনে যোগ করা যেতে পারে রিয়েল-টাইম MC ডোজ গণনা সক্ষম করতে। ডিনোইজারটি মাত্র 39 এমএস এ চলে, সম্পূর্ণ ডোজ গণনা মাত্র 150 এমএস নেয়। জিয়াং নোট করেছেন যে প্লাগইনটি ফোটন বিম রেডিওথেরাপির জন্য তৈরি করা হয়েছিল, তবে প্রোটন ডোজ গণনাতে এমসি ডিনোইসিংয়ের জন্যও ব্যবহার করা যেতে পারে।

এরপরে, জিয়াং ডোজ গণনার জন্য সরাসরি গভীর শিক্ষার কৌশলগুলি ব্যবহার করার উপায়গুলি বর্ণনা করেছেন। তিনি জোর দিয়েছিলেন যে এটি ডোজ ভবিষ্যদ্বাণী থেকে পৃথক, যা রোগীর শারীরস্থান এবং তাদের সর্বোত্তম ডোজ বিতরণের মধ্যে একটি সম্পর্ক অনুমান করে এবং একটি ভবিষ্যদ্বাণীমূলক মডেল তৈরি করতে এই সম্পর্কটি ব্যবহার করে। একই রোগের সাইটের ঐতিহাসিক চিকিত্সার ডেটার উপর প্রশিক্ষণের পরে, মডেলটি নতুন রোগীর জন্য একটি সর্বোত্তম ডোজ বিতরণের ভবিষ্যদ্বাণী করে এবং এটি চিকিত্সা পরিকল্পনাকে গাইড করতে ব্যবহার করে। ইউটি সাউথওয়েস্টার্ন এখন দুই বছরেরও বেশি সময় ধরে এই ধরনের রোগী-নির্দিষ্ট ডোজ পূর্বাভাস ক্লিনিকালভাবে নিযুক্ত করেছে।

কিন্তু ডোজ হিসাব এর চেয়ে বেশি। "এখানে, আমরা যে সম্পর্কটি ব্যবহার করার চেষ্টা করছি তা হল রোগীর শারীরস্থান প্লাস মেশিন প্যারামিটার এবং প্রকৃত ডোজ বিতরণের মধ্যে," জিয়াং বলেছেন। "আপনি রোগীর শারীরস্থান জানেন, আপনি চিকিত্সা পরিকল্পনা জানেন, এখন আপনি ডোজ বিতরণ কী তা দেখতে চান, তাই এটি একটি ডোজ গণনা।"

জিয়াং-এর দল প্রথমে এর জন্য গভীর শিক্ষা-ভিত্তিক ডোজ গণনা মডেল তৈরি করেছে ফোটন বিম রেডিওথেরাপি. মডেলটিকে বিভিন্ন রোগীর অ্যানাটমি এবং মেশিনের পরামিতিগুলির জন্য এমসি-গণনাকৃত ডোজ বিতরণ ব্যবহার করে প্রশিক্ষণ দেওয়া হয়। মডেল ইনপুটগুলির জন্য, দলটি রোগীর সিটি স্ক্যান এবং রে ট্রেসিং-এ এনকোড করা মেশিনের পরামিতি সহ প্রতিটি বিমের জন্য রে ট্রেসিং ডোজ বিতরণ ব্যবহার করেছে। "এটি সম্পূর্ণ গভীর শিক্ষার প্রক্রিয়াটিকে সহজ করে তোলে এবং গভীর শিক্ষার মধ্যে পদার্থবিদ্যাকে অন্তর্ভুক্ত করার একটি ভাল উপায়," জিয়াং উল্লেখ করেছেন৷

গবেষকরা জন্য একটি অনুরূপ পদ্ধতি প্রয়োগ প্রোটন ডোজ গণনা, MC সিমুলেশনের তুলনায় পেন্সিল বিমের ডোজ গণনার নির্ভুলতা বাড়ানোর জন্য একটি গভীর শিক্ষার মডেল ব্যবহার করে। তারা 290 মাথা-ঘাড়, লিভার, প্রোস্টেট এবং ফুসফুসের ক্যান্সারের ক্ষেত্রে TOPAS MC প্ল্যাটফর্ম থেকে পেন্সিল বিমের ডোজ বিতরণ এবং ডেটা ব্যবহার করে মডেলটিকে প্রশিক্ষণ ও পরীক্ষা করেছে। প্রতিটি পরিকল্পনার জন্য, তারা পেন্সিল রশ্মির ডোজ থেকে এমসি ডোজ বিতরণের পূর্বাভাস দেওয়ার জন্য মডেলটিকে প্রশিক্ষণ দিয়েছে।

দৃষ্টিভঙ্গি রূপান্তরিত এবং MC ডোজ মধ্যে চুক্তির উচ্চ স্তর অর্জন. "পেন্সিল রশ্মির সাথে তুলনা করে, আমরা নির্ভুলতার একটি বিশাল উন্নতি দেখতে পাচ্ছি, এবং দক্ষতা এখনও অনেক বেশি," জিয়াং বলেছেন। ডোজ গণনার নির্ভুলতা উন্নত করতে প্রোটন চিকিত্সা পরিকল্পনার ক্লিনিকাল ওয়ার্কফ্লোতে উন্নত মডেল যোগ করা যেতে পারে।

জিয়াং সহ অন্যান্য গোষ্ঠীর দ্বারা অনুরূপ গবেষণাকেও তুলে ধরে ডিস্কোগান উহান বিশ্ববিদ্যালয় থেকে, DKFZ এর ব্যবহার কৃত্রিম নিউরাল নেটওয়ার্ক প্রোটন ডোজ গণনার জন্য এবং গভীর শিক্ষা-ভিত্তিক মিলিসেকেন্ড গতির ডোজ গণনা অ্যালগরিদম ডেলফ্ট ইউনিভার্সিটি অফ টেকনোলজিতে বিকাশ করা হয়েছে।

ব্যবহারকারীদের আশ্বস্ত রাখা

যদিও গভীর শিক্ষা প্রোটন ডোজ গণনার জন্য সুস্পষ্ট পথ দেখাতে পারে, জিয়াং উল্লেখ করেছেন যে লোকেরা এখনও পেন্সিল বিম অ্যালগরিদম এবং এমসি সিমুলেশনের মতো পদার্থবিদ্যা-ভিত্তিক মডেলগুলি ব্যবহার করে আরও স্বাচ্ছন্দ্য বোধ করে। "যখন ডোজ গণনার জন্য গভীর শিক্ষার ধারণাটি প্রথম বেরিয়ে আসে, তখন মানুষের মধ্যে উদ্বেগ ছিল," তিনি ব্যাখ্যা করেছিলেন। “কারণ এটি ডেটা চালিত, পদার্থবিদ্যা-ভিত্তিক নয়, আপনি জানেন না কখন এটি ব্যর্থ হবে; অপ্রত্যাশিত সর্বনাশা ব্যর্থতা হতে পারে। এবং এটি একটি ব্ল্যাক বক্স হওয়ায় সেখানে কোন স্বচ্ছতা নেই।"

উত্তরটি হাইব্রিড মডেলগুলিতে থাকতে পারে, যেমন উপরে বর্ণিত উদাহরণগুলি যেগুলি একটি গভীর শিক্ষার মডেলের ইনপুট হিসাবে পেন্সিল বিম বা রে ট্রেসিং ডেটা ব্যবহার করে। এখানে, পদার্থবিদ্যা (মেশিনের পরামিতি) ইনপুট ডেটাতে এনকোড করা হয়েছে, যার ইতিমধ্যেই 80-90% নির্ভুলতা রয়েছে। ডিপ লার্নিং তখন বাকি 20% নির্ভুলতা অর্জনের জন্য বিক্ষিপ্ততা এবং অসংলগ্নতার মতো প্রভাবগুলিকে মোকাবেলা করতে পারে যা বিশ্লেষণাত্মক অ্যালগরিদমগুলির সাথে অর্জন করা খুব কঠিন। এটি পছন্দসই নির্ভুলতা এবং দক্ষতা উভয়ই প্রদান করবে।

"আমি আসলে মনে করি এটি একটি ভাল ধারণা কারণ এটি অপ্রত্যাশিত, বিপর্যয়কর ব্যর্থতাগুলিকেও দূর করতে পারে," জিয়াং উপসংহারে এসেছিলেন। “আমি ফলাফলের সাথে অনেক বেশি স্বাচ্ছন্দ্য বোধ করব। এছাড়াও আপনার কিছুটা স্বচ্ছতা থাকবে, কারণ আপনি জানেন যে প্রথম ক্রম প্রাথমিক প্রভাবটি পদার্থবিদ্যা-ভিত্তিক, এবং এটি সঠিক।"

পোস্টটি গভীর শিক্ষা দ্রুত এবং সঠিক প্রোটন ডোজ গণনা সক্ষম করে প্রথম দেখা ফিজিক্স ওয়ার্ল্ড.

• Coinsmart. ইউরোপের সেরা বিটকয়েন এবং ক্রিপ্টো এক্সচেঞ্জ।
• প্লেটোব্লকচেন। Web3 মেটাভার্স ইন্টেলিজেন্স। জ্ঞান প্রসারিত. বিনামূল্যে এক্সেস.
• ক্রিপ্টোহক। Altcoin রাডার। বিনামূল্যে ট্রায়াল.
• সূত্র: https://physicsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/