Süvaõpe võimaldab kiiret ja täpset prootoniannuse arvutamist

Edukas kiiritusravi sõltub täpse raviplaani loomisest, mis edastab kiirgusdoosi täpselt ettenähtud sihtmärkideni. Selle plaani täpsus on aga sama hea kui selle aluseks olevate doosiarvutuste täpsus. Ja prootonteraapia puhul on täpne doosi arvutamine veelgi kriitilisem, kuna prootonid annavad rohkem konformaalset doosi jaotust kui footonid ja on tundlikumad anatoomiliste muutuste suhtes.

Rääkides Mayo kliiniku 1. prootonteraapia uurimistöö seminaris, Steve Jiang – meditsiinilise tehisintellekti ja automatiseerimise professor ja direktor (MAIA) TÜ Southwesterni Meditsiinikeskuse labor – kirjeldas prootonidoosi arvutamise põhinõudeid – ja kirjeldas viise, kuidas süvaõpe võiks neid eesmärke saavutada.

Lisaks suurele täpsusele, selgitas Jiang, peavad prootoniannuse arvutused olema ka kiired. Ravi planeerimisel tähendab see mõnda minutit; ümberplaneerimiseks enne fraktsioonide manustamist adaptiivse kiiritusravi korral paar sekundit. Vaadates kaugemale tulevikku, võime näha reaalajas kohanemise kasutuselevõttu ravi ajal. "Me ei tee seda praegu," märkis ta. «Kuid ühel hetkel võib tekkida soov raviplaani reaalajas kohandada. Sellise rakenduse jaoks vajame annuse arvutamist millisekundites.

Praegu kasutatakse annuse arvutamiseks kahte peamist tehnikatüüpi, mida esindavad: pliiatsikiire algoritmid, mis on vähem täpsed, kuid üsna kiired; ja Monte Carlo (MC) simulatsioonid, mis on täpsemad, kuid tavaliselt palju aeglasemad. "Kuid me vajame prootoniannuse arvutamiseks täpsust ja kiirust," ütles Jiang. "Seega on täitmata kliiniline vajadus: peame välja töötama algoritmi, mis on nii kiire kui ka täpne."

Kuidas seda siis saavutada? Üks lähenemisviis on parandada MC-arvutuste tõhusust, kasutades näiteks MC-koodi kiirendamiseks graafikaprotsessoreid (GPU-sid) või sügavat õppimispõhist müra vähendamist, et vähendada MC-arvutustulemustele omast müra. Teine võimalus on kasutada süvaõppe meetodeid, et parandada pliiatsikiirte algoritmide täpsust. Lõpuks võib olla võimalik välja töötada uusi, täiesti erinevaid algoritme, mis vastavad mõlemale nõudele; ja sügav õppimine võib aidata seda võimalust uurida.

Kiiruse ja täpsuse kombineerimine

MC-simulatsioonide GPU-kiirendus on juba võimalik. Kümme aastat tagasi (San Diegos ülikoolis ja koostöös Mass General Hospitaliga) töötas Jiang ja tema kolleegid gPMCMC pakett prootoniannuse kiireks arvutamiseks GPU-l. See võimaldas arvutada tüüpilise prootonravi plaani 1% määramatusega 10–20 sekundi jooksul. Jiang märgib, et tänapäeva kiiremate GPU-dega võib gPMC pakkuda veelgi suuremat efektiivsust.

Koostöös kolleegidega MAIA Labis on Jiang välja töötanud ka sügaval õppimisel põhineva MC denoiseri. Nad lõid a sügava annuse pistikprogramm mida saab lisada mis tahes GPU-põhisele MC doosimootorile, et võimaldada reaalajas MC doosi arvutamist. Denoiser töötab vaid 39 ms, kogu annuse arvutamiseks kulub vaid 150 ms. Jiang märgib, et pistikprogramm töötati välja footonkiirte kiiritusravi jaoks, kuid seda saab kasutada ka MC müra vähendamiseks prootoniannuse arvutamisel.

Järgmisena kirjeldas Jiang viise, kuidas kasutada süvaõppe tehnikaid otse annuse arvutamiseks. Ta rõhutas, et see erineb annuse ennustamisest, mis eeldab seost patsiendi anatoomia ja nende optimaalse annuse jaotuse vahel, ning kasutab seda seost ennustava mudeli koostamiseks. Pärast sama haiguskoha ajaloolise ravi andmete väljaõpet ennustab mudel uuele patsiendile optimaalse annuse jaotuse ja kasutab seda ravi planeerimisel. UT Southwestern on seda tüüpi patsiendispetsiifilist annuse ennustamist kliiniliselt kasutanud juba üle kahe aasta.

Kuid annuse arvutamine on midagi enamat. "Siin on seos, mida me püüame ära kasutada, patsiendi anatoomia ja masina parameetrite ning tegeliku annuse jaotuse vahel," ütles Jiang. "Te tunnete patsiendi anatoomiat, teate raviplaani, nüüd soovite näha, milline on annuse jaotus, nii et see on annuse arvutamine."

Jiangi meeskond töötas kõigepealt välja sügava õppimisel põhineva annuse arvutamise mudeli footonkiire kiiritusravi. Mudelit koolitatakse, kasutades MC-arvutatud annuste jaotusi erinevate patsientide anatoomiate ja masina parameetrite jaoks. Mudeli sisendite jaoks kasutas meeskond patsiendi CT-skannimist ja kiirte jälgimise doosi jaotust iga kiire jaoks, kusjuures masina parameetrid kodeeriti kiirte jälgimisse. "See muudab kogu süvaõppeprotsessi lihtsamaks ja on hea viis füüsika süvaõppesse kaasamiseks," märkis Jiang.

Teadlased rakendasid sarnast lähenemisviisi prootoni doosi arvutamine, kasutades süvaõppe mudelit, et suurendada pliiatsikiire doosi arvutamise täpsust MC-simulatsioonide täpsusega. Nad koolitasid ja katsetasid mudelit, kasutades pliiatsikiirte annuste jaotusi ja TOPAS MC platvormi andmeid 290 pea- ja kaela-, maksa-, eesnäärme- ja kopsuvähi juhtumi jaoks. Iga plaani jaoks õpetasid nad mudelit ennustama MC-doosi jaotust pliiatsikiire annusest.

See lähenemisviis saavutas teisendatud ja MC doosi vahelise kokkuleppe kõrge taseme. "Võrreldes pliiatsikiirega näeme täpsuse tohutut paranemist ja efektiivsus on endiselt väga kõrge, " ütles Jiang. Väljatöötatud mudelit saab lisada prootonravi planeerimise kliinilisse töövoogu, et parandada doosi arvutamise täpsust.

Jiang tõstis esile ka teiste rühmade, sealhulgas teiste rühmade poolt käimasolevaid sarnaseid uuringuid DiscoGAN Wuhani ülikoolist, DKFZ kasutab kunstlikud närvivõrgud prootoni doosi arvutamiseks ja süvaõppel põhinev millisekundilise kiirusega doosi arvutamise algoritm välja töötatud Delfti Tehnikaülikoolis.

Kasutajate kindlustunde hoidmine

Kuigi süvaõpe võib tunduda prootoniannuse arvutamisel ilmselge edasiminekuks, märkis Jiang, et inimesed tunnevad end endiselt mugavamalt, kasutades füüsikal põhinevaid mudeleid, nagu pliiatsikiirte algoritmid ja MC-simulatsioonid. "Kui doosi arvutamise süvaõppe idee esmakordselt välja tuli, tekkis inimestel mure," selgitas ta. "Kuna see on andmepõhine, mitte füüsikapõhine, ei tea te, millal see ebaõnnestub; võib esineda ettearvamatuid katastroofilisi tõrkeid. Ja kuna see on must kast, pole läbipaistvust.

Vastus võib peituda hübriidmudelites, näiteks ülalkirjeldatud näidetes, mis kasutavad süvaõppemudeli sisenditena pliiatsikiire või kiirte jälgimise andmeid. Siin on sisendandmetesse kodeeritud füüsika (masina parameetrid), mille täpsus on juba 80–90%. Süvaõpe võib seejärel käsitleda selliseid mõjusid nagu hajuvus ja ebahomogeensus, et saavutada ülejäänud 20% täpsus, mida on analüütiliste algoritmidega väga raske saavutada. See peaks tagama nii soovitud täpsuse kui ka tõhususe.

"Ma arvan, et see on hea mõte, sest see võib samuti kõrvaldada ettearvamatud katastroofilised tõrked," lõpetas Jiang. "Tunnen end tulemustega palju mugavamalt. Samuti oleks teil teatav läbipaistvus, sest teate, et esmajärguline esmane efekt on füüsikapõhine ja see on õige.

Postitus Süvaõpe võimaldab kiiret ja täpset prootoniannuse arvutamist ilmus esmalt Füüsika maailm.

• Münditark. Euroopa parim Bitcoini ja krüptobörs.
• Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. TASUTA PÄÄS.
• CryptoHawk. Altcoini radar. Tasuta prooviversioon.
• Allikas: https://physicsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/