Deep learning muliggør hurtige og nøjagtige protondosisberegninger

Succesfuld strålebehandling er afhængig af oprettelsen af ​​en nøjagtig behandlingsplan, der vil levere stråledosis præcist til de foreskrevne mål. Nøjagtigheden af ​​denne plan er dog kun så god som nøjagtigheden af ​​de underliggende dosisberegninger. Og for protonterapi er nøjagtig dosisberegning endnu mere kritisk, da protoner leverer en mere konform dosisfordeling end fotoner og er mere følsomme over for anatomiske ændringer.

Taler ved Mayo Clinic's 1. Proton Therapy Research Workshop, Steve Jiang – professor og direktør for Medicinsk Kunstig Intelligens og Automation (FRU MAJA) Laboratoriet ved UT Southwestern Medical Center – beskrev nøglekravene til protondosisberegning – og beskrev måder, hvorpå dyb læring kunne hjælpe med at nå disse mål.

Ud over høj nøjagtighed, forklarede Jiang, skal protondosisberegninger også være hurtige. For behandlingsplanlægning betyder dette et par minutter; til replanlægning inden fraktionlevering i adaptiv strålebehandling, et par sekunder. Ser vi længere frem, kan vi se introduktionen af ​​realtidstilpasning under behandlingslevering. "Vi gør det ikke lige nu," bemærkede han. ”Men på et tidspunkt vil vi måske tilpasse behandlingsplanen i realtid. Til den slags applikationer har vi brug for dosisberegning i millisekunder."

I øjeblikket er der to hovedtyper af teknik, der anvendes til dosisberegning, repræsenteret ved: blyantstrålealgoritmer, som er mindre nøjagtige, men ret hurtige; og Monte Carlo (MC) simuleringer, som er mere nøjagtige, men typisk langt langsommere. "Men vi har brug for nøjagtighed og hastighed til protondosisberegninger," sagde Jiang. "Så der er et udækket klinisk behov: Vi skal udvikle en algoritme, der er både hurtig og præcis."

Så hvordan kan dette opnås? En tilgang er at forbedre effektiviteten af ​​MC-beregninger ved at bruge grafikprocessorenheder (GPU'er) til at accelerere MC-kode, for eksempel, eller deep learning-baseret denoising for at reducere den støj, der er iboende i MC-beregnede resultater. En anden mulighed er at anvende deep learning-metoder til at forbedre nøjagtigheden af ​​blyantstrålealgoritmer. Endelig kan det være muligt at udvikle nye, totalt forskellige algoritmer, der opfylder begge krav; og dyb læring kunne hjælpe med at udforske denne mulighed.

Kombinerer hastighed og nøjagtighed

GPU-acceleration af MC-simuleringer er allerede mulig. For ti år siden (mens han var på UC San Diego og i samarbejde med Mass General Hospital), udviklede Jiang og kolleger gPMC, en MC-pakke til hurtig protondosisberegning på en GPU. Dette muliggjorde beregning af en typisk protonbehandlingsplan med 1 % usikkerhed på 10-20 s. Jiang bemærker, at med nutidens hurtigere GPU'er kan gPMC tilbyde endnu højere effektivitet.

I samarbejde med kolleger på MAIA Lab har Jiang også udviklet en deep learning-baseret MC-denoiser. De skabte en dyb dosis plugin som kan tilføjes til enhver GPU-baseret MC-dosismotor for at muliggøre MC-dosisberegning i realtid. Denoiser kører på kun 39 ms, og hele dosisberegningen tager kun 150 ms. Jiang bemærker, at plugin'et blev udviklet til fotonstrålebehandling, men også kunne bruges til MC-denoising i protondosisberegninger.

Dernæst beskrev Jiang måder at bruge deep learning-teknikker direkte til dosisberegning. Han understregede, at dette adskiller sig fra dosisforudsigelse, som antager en sammenhæng mellem en patients anatomi og deres optimale dosisfordeling, og bruger dette forhold til at bygge en prædiktiv model. Efter træning på data fra historiske behandlinger af samme sygdomssted forudsiger modellen en optimal dosisfordeling for den nye patient og bruger denne til at vejlede behandlingsplanlægningen. UT Southwestern har anvendt denne type patientspecifik dosisforudsigelse klinisk i over to år nu.

Men dosisberegning er mere end dette. "Her er forholdet, vi forsøger at udnytte, mellem patientens anatomi plus maskinparametre og den faktiske dosisfordeling," sagde Jiang. "Du kender patientens anatomi, du kender behandlingsplanen, nu vil du se, hvad dosisfordelingen er, så det er en dosisberegning."

Jiangs team udviklede først den dybe læringsbaserede dosisberegningsmodel til fotonstrålebehandling. Modellen trænes ved hjælp af MC-beregnede dosisfordelinger for forskellige patientanatomier og maskinparametre. Til modelinput brugte holdet patientens CT-scanning og strålesporingsdosisfordelingen for hver stråle med maskinparametre indkodet i strålesporingen. "Dette gør hele den dybe læringsproces lettere og er en god måde at inkorporere fysik i den dybe læring," bemærkede Jiang.

Forskerne anvendte en lignende tilgang til protondosisberegning, ved hjælp af en dyb læringsmodel til at øge nøjagtigheden af ​​beregningen af ​​blyantstråledosis til den for MC-simuleringer. De trænede og testede modellen ved hjælp af blyantstråledosisfordelinger og data fra TOPAS MC-platformen for 290 tilfælde af hoved- og nakke-, lever-, prostata- og lungekræft. For hver plan trænede de modellen til at forudsige MC-dosisfordelingen ud fra blyantstråledosen.

Tilgangen opnåede høje niveauer af overensstemmelse mellem den konverterede og MC-dosis. "Sammenlignet med blyantstråle ser vi en enorm forbedring af nøjagtigheden, og effektiviteten er stadig meget høj," sagde Jiang. Den udviklede model kan føjes til den kliniske arbejdsgang af protonbehandlingsplanlægning for at forbedre dosisberegningsnøjagtigheden.

Jiang fremhævede også lignende forskning i gang af andre grupper, herunder DiscoGAN fra Wuhan University, DKFZ's brug af kunstige neurale netværk til protondosisberegning og deep learning-baseret millisekunds hastighedsdosisberegningsalgoritme udviklet ved Delft University of Technology.

Holder brugerne trygge

Mens dyb læring kan synes at være den indlysende vej frem for protondosisberegning, bemærkede Jiang, at folk stadig føler sig mere trygge ved at bruge fysikbaserede modeller såsom blyantstrålealgoritmer og MC-simuleringer. "Da ideen om dyb læring til dosisberegning først kom frem, var folk bekymrede," forklarede han. “Fordi det er datadrevet, ikke fysikbaseret, ved du ikke, hvornår det vil fejle; der kan være uforudsigelige katastrofale fiaskoer. Og fordi det er en sort boks, er der ingen gennemsigtighed.”

Svaret kan ligge i hybridmodeller, såsom eksemplerne beskrevet ovenfor, der bruger blyantstråle- eller strålesporingsdata som input til en deep learning-model. Her er fysikken (maskinparametre) indkodet i inputdataene, som allerede har en nøjagtighed på 80–90 %. Dyb læring kan derefter adressere effekter såsom spredning og inhomogenitet for at opnå de resterende 20 % nøjagtighed, som er meget vanskelig at opnå med analytiske algoritmer. Dette skal give både den ønskede nøjagtighed og effektivitet.

"Jeg synes faktisk, at dette er en god idé, fordi det også kan eliminere uforudsigelige, katastrofale fiaskoer," konkluderede Jiang. "Jeg ville føle mig meget mere tryg ved resultaterne. Du ville også have en vis grad af gennemsigtighed, fordi du ved, at den første ordens primære effekt, der er der, er fysikbaseret, og det er korrekt."

Stillingen Deep learning muliggør hurtige og nøjagtige protondosisberegninger dukkede først på Fysik verden.

• Coinsmart. Europas bedste Bitcoin og Crypto Exchange.
• Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. FRI ADGANG.
• CryptoHawk. Altcoin radar. Gratis prøveversion.
• Kilde: https://physicsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/