Η βαθιά εκμάθηση επιτρέπει γρήγορους και ακριβείς υπολογισμούς δόσης πρωτονίων

Η επιτυχημένη ακτινοθεραπεία βασίζεται στη δημιουργία ενός ακριβούς σχεδίου θεραπείας που θα παρέχει τη δόση ακτινοβολίας ακριβώς στους καθορισμένους στόχους. Η ακρίβεια αυτού του σχεδίου, ωστόσο, είναι τόσο καλή όσο η ακρίβεια των υποκείμενων υπολογισμών δόσης. Και για τη θεραπεία πρωτονίων, ο ακριβής υπολογισμός της δόσης είναι ακόμη πιο κρίσιμος, καθώς τα πρωτόνια παρέχουν μια πιο ομοιόμορφη κατανομή δόσης από τα φωτόνια και είναι πιο ευαίσθητα στις ανατομικές αλλαγές.

Μιλώντας στο 1ο Εργαστήριο Θεραπείας Πρωτονίων της Mayo Clinic, Steve Jiang – καθηγητής και διευθυντής Ιατρικής Τεχνητής Νοημοσύνης και Αυτοματισμού (ΜΑΙΑ) Εργαστήριο στο UT Southwestern Medical Center – περιέγραψε τις βασικές απαιτήσεις για τον υπολογισμό της δόσης πρωτονίων – και περιέγραψε τρόπους με τους οποίους η βαθιά μάθηση θα μπορούσε να βοηθήσει στην επίτευξη αυτών των στόχων.

Εκτός από την υψηλή ακρίβεια, εξήγησε ο Jiang, οι υπολογισμοί της δόσης πρωτονίων πρέπει επίσης να είναι γρήγοροι. Για τον προγραμματισμό της θεραπείας αυτό σημαίνει λίγα λεπτά. για επανασχεδιασμό πριν από την παράδοση κλάσματος σε προσαρμοστική ακτινοθεραπεία, λίγα δευτερόλεπτα. Κοιτάζοντας πιο μπροστά, μπορεί να δούμε την εισαγωγή της προσαρμογής σε πραγματικό χρόνο κατά την παράδοση της θεραπείας. «Δεν το κάνουμε αυτό τώρα», σημείωσε. «Αλλά κάποια στιγμή μπορεί να θέλουμε να προσαρμόσουμε το σχέδιο θεραπείας σε πραγματικό χρόνο. Για αυτό το είδος εφαρμογής, θα χρειαστούμε υπολογισμό δόσης σε χιλιοστά του δευτερολέπτου.»

Επί του παρόντος, υπάρχουν δύο κύριοι τύποι τεχνικής που χρησιμοποιούνται για τον υπολογισμό της δόσης, που αντιπροσωπεύονται από: αλγόριθμους δέσμης μολυβιού, οι οποίοι είναι λιγότερο ακριβείς αλλά αρκετά γρήγοροι. και προσομοιώσεις Monte Carlo (MC), οι οποίες είναι πιο ακριβείς αλλά συνήθως πολύ πιο αργές. «Αλλά χρειαζόμαστε ακρίβεια και ταχύτητα για τους υπολογισμούς της δόσης πρωτονίων», είπε ο Jiang. «Έτσι, υπάρχει μια ανικανοποίητη κλινική ανάγκη: πρέπει να αναπτύξουμε έναν αλγόριθμο που να είναι γρήγορος και ακριβής».

Πώς μπορεί λοιπόν να επιτευχθεί αυτό; Μια προσέγγιση είναι να βελτιωθεί η αποτελεσματικότητα των υπολογισμών MC, χρησιμοποιώντας μονάδες επεξεργασίας γραφικών (GPUs) για την επιτάχυνση του κώδικα MC, για παράδειγμα, ή εκμάθηση βαθιάς αφαίρεσης θορύβου για τη μείωση του θορύβου που είναι εγγενής στα αποτελέσματα που υπολογίζονται με MC. Μια άλλη επιλογή είναι η χρήση μεθόδων βαθιάς εκμάθησης για τη βελτίωση της ακρίβειας των αλγορίθμων δέσμης μολυβιών. Τέλος, μπορεί να είναι δυνατή η ανάπτυξη νέων, εντελώς διαφορετικών αλγορίθμων που να πληρούν και τις δύο απαιτήσεις. και η βαθιά μάθηση θα μπορούσε να βοηθήσει στη διερεύνηση αυτής της δυνατότητας.

Συνδυάζει ταχύτητα και ακρίβεια

Η επιτάχυνση GPU των προσομοιώσεων MC είναι ήδη δυνατή. Πριν από δέκα χρόνια (ενώ στο UC San Diego και σε συνεργασία με το Mass General Hospital), ο Jiang και οι συνεργάτες του ανέπτυξαν gPMC, ένα πακέτο MC για γρήγορο υπολογισμό της δόσης πρωτονίων σε μια GPU. Αυτό επέτρεψε τον υπολογισμό ενός τυπικού σχεδίου θεραπείας πρωτονίων με 1% αβεβαιότητα σε 10–20 δευτερόλεπτα. Ο Jiang σημειώνει ότι με τις σημερινές ταχύτερες GPU, το gPMC μπορεί να προσφέρει ακόμη υψηλότερη απόδοση.

Συνεργαζόμενος με συναδέλφους στο Εργαστήριο MAIA, ο Jiang έχει επίσης αναπτύξει έναν αποκωδικοποιητή MC που βασίζεται σε βαθιά μάθηση. Δημιούργησαν α πρόσθετο βαθιάς δόσης που μπορεί να προστεθεί σε οποιαδήποτε μηχανή δόσης MC που βασίζεται σε GPU για να ενεργοποιήσει τον υπολογισμό της δόσης MC σε πραγματικό χρόνο. Ο denoiser λειτουργεί σε μόλις 39 ms, με τον συνολικό υπολογισμό της δόσης να διαρκεί μόλις 150 ms. Ο Jiang σημειώνει ότι το πρόσθετο αναπτύχθηκε για ακτινοθεραπεία με δέσμη φωτονίων, αλλά θα μπορούσε επίσης να χρησιμοποιηθεί για την αποθορυβοποίηση MC σε υπολογισμούς δόσης πρωτονίων.

Στη συνέχεια, ο Jiang περιέγραψε τρόπους χρήσης τεχνικών βαθιάς μάθησης απευθείας για τον υπολογισμό της δόσης. Τόνισε ότι αυτό διαφέρει από την πρόβλεψη δόσης, η οποία προϋποθέτει μια σχέση μεταξύ της ανατομίας του ασθενούς και της βέλτιστης κατανομής της δόσης του, και χρησιμοποιεί αυτή τη σχέση για να δημιουργήσει ένα μοντέλο πρόβλεψης. Μετά από εκπαίδευση σε δεδομένα από ιστορικές θεραπείες της ίδιας περιοχής της νόσου, το μοντέλο προβλέπει μια βέλτιστη κατανομή δόσης για τον νέο ασθενή και τη χρησιμοποιεί για να καθοδηγήσει τον σχεδιασμό της θεραπείας. Το UT Southwestern έχει χρησιμοποιήσει αυτόν τον τύπο πρόβλεψης δόσης για τον ασθενή κλινικά για πάνω από δύο χρόνια τώρα.

Αλλά ο υπολογισμός της δόσης είναι κάτι περισσότερο από αυτό. «Εδώ, η σχέση που προσπαθούμε να εκμεταλλευτούμε είναι μεταξύ της ανατομίας του ασθενούς και των παραμέτρων του μηχανήματος και της πραγματικής κατανομής της δόσης», είπε ο Jiang. "Γνωρίζετε την ανατομία του ασθενούς, γνωρίζετε το σχέδιο θεραπείας, τώρα θέλετε να δείτε ποια είναι η κατανομή της δόσης, επομένως είναι ένας υπολογισμός δόσης."

Η ομάδα του Jiang ανέπτυξε για πρώτη φορά το μοντέλο υπολογισμού δόσης με βάση τη βαθιά μάθηση Ακτινοθεραπεία με δέσμη φωτονίων. Το μοντέλο εκπαιδεύεται χρησιμοποιώντας κατανομές δόσης υπολογισμένες με MC για διάφορες ανατομίες ασθενών και παραμέτρους μηχανής. Για τις εισόδους του μοντέλου, η ομάδα χρησιμοποίησε την αξονική τομογραφία ασθενούς και την κατανομή δόσης ανίχνευσης ακτίνων για κάθε δέσμη, με τις παραμέτρους του μηχανήματος να κωδικοποιούνται στην ανίχνευση ακτίνων. «Αυτό κάνει την όλη διαδικασία βαθιάς μάθησης ευκολότερη και είναι ένας καλός τρόπος για να ενσωματωθεί η φυσική στη βαθιά μάθηση», σημείωσε ο Jiang.

Οι ερευνητές εφάρμοσαν παρόμοια προσέγγιση για υπολογισμός δόσης πρωτονίων, χρησιμοποιώντας ένα μοντέλο βαθιάς μάθησης για να ενισχύσει την ακρίβεια του υπολογισμού της δόσης δέσμης μολυβιού σε εκείνη των προσομοιώσεων MC. Εκπαίδευσαν και δοκίμασαν το μοντέλο χρησιμοποιώντας κατανομές δόσεων δέσμης μολυβιού και δεδομένα από την πλατφόρμα TOPAS MC, για 290 περιπτώσεις καρκίνου κεφαλής και τραχήλου, ήπατος, προστάτη και πνεύμονα. Για κάθε σχέδιο, εκπαίδευσαν το μοντέλο να προβλέπει την κατανομή δόσης MC από τη δόση δέσμης μολυβιού.

Η προσέγγιση πέτυχε υψηλά επίπεδα συμφωνίας μεταξύ της μετατρεπόμενης και της δόσης MC. «Σε σύγκριση με τη δέσμη μολυβιού, βλέπουμε μια τεράστια βελτίωση στην ακρίβεια και η απόδοση είναι ακόμα πολύ υψηλή», είπε ο Jiang. Το μοντέλο που αναπτύχθηκε μπορεί να προστεθεί στην κλινική ροή εργασίας του σχεδιασμού θεραπείας πρωτονίων για τη βελτίωση της ακρίβειας υπολογισμού της δόσης.

Ο Jiang τόνισε επίσης παρόμοια έρευνα σε εξέλιξη από άλλες ομάδες, μεταξύ των οποίων DiscoGAN από το Πανεπιστήμιο της Γουχάν, η χρήση του DKFZ τεχνητά νευρωνικά δίκτυα για τον υπολογισμό της δόσης πρωτονίων και Αλγόριθμος υπολογισμού δόσης ταχύτητας χιλιοστού του δευτερολέπτου που βασίζεται σε βαθιά μάθηση αναπτύχθηκε στο Τεχνολογικό Πανεπιστήμιο του Ντελφτ.

Διατήρηση της ασφάλειας των χρηστών

Ενώ η βαθιά μάθηση μπορεί να φαίνεται ο προφανής τρόπος για τον υπολογισμό της δόσης πρωτονίων, ο Jiang σημείωσε ότι οι άνθρωποι εξακολουθούν να αισθάνονται πιο άνετα χρησιμοποιώντας μοντέλα που βασίζονται στη φυσική, όπως αλγόριθμους δέσμης μολυβιών και προσομοιώσεις MC. «Όταν πρωτοεμφανίστηκε η ιδέα της βαθιάς μάθησης για τον υπολογισμό της δόσης, οι άνθρωποι είχαν ανησυχίες», εξήγησε. «Επειδή βασίζεται σε δεδομένα, δεν βασίζεται στη φυσική, δεν ξέρετε πότε θα αποτύχει. μπορεί να υπάρξουν απρόβλεπτες καταστροφικές αποτυχίες. Και επειδή είναι ένα μαύρο κουτί, δεν υπάρχει διαφάνεια».

Η απάντηση μπορεί να βρίσκεται σε υβριδικά μοντέλα, όπως τα παραδείγματα που περιγράφονται παραπάνω που χρησιμοποιούν δεδομένα δέσμης μολυβιού ή ανίχνευσης ακτίνων ως εισόδους σε ένα μοντέλο βαθιάς εκμάθησης. Εδώ, η φυσική (παράμετροι μηχανής) κωδικοποιείται στα δεδομένα εισόδου, τα οποία έχουν ήδη ακρίβεια 80–90%. Η βαθιά μάθηση μπορεί στη συνέχεια να αντιμετωπίσει επιδράσεις όπως η διασπορά και η ανομοιογένεια για να κερδίσει την υπολειπόμενη 20% ακρίβεια που είναι πολύ δύσκολο να επιτευχθεί με αναλυτικούς αλγόριθμους. Αυτό θα πρέπει να παρέχει και την επιθυμητή ακρίβεια και αποτελεσματικότητα.

«Πιστεύω ότι αυτή είναι μια καλή ιδέα γιατί μπορεί επίσης να εξαλείψει απρόβλεπτες, καταστροφικές αποτυχίες», κατέληξε ο Jiang. «Θα ένιωθα πολύ πιο άνετα με τα αποτελέσματα. Επίσης, θα είχατε κάποιο βαθμό διαφάνειας, επειδή γνωρίζετε ότι το πρωταρχικό αποτέλεσμα πρώτης τάξης που είναι εκεί βασίζεται στη φυσική, και αυτό είναι σωστό».

Ο ορθοστάτης Η βαθιά εκμάθηση επιτρέπει γρήγορους και ακριβείς υπολογισμούς δόσης πρωτονίων εμφανίστηκε για πρώτη φορά σε Κόσμος Φυσικής.

• Coinsmart. Το καλύτερο ανταλλακτήριο Bitcoin και Crypto στην Ευρώπη.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. ΕΛΕΥΘΕΡΗ ΠΡΟΣΒΑΣΗ.
• CryptoHawk. Ραντάρ Altcoin. Δωρεάν δοκιμή.
• Πηγή: https://physicsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/