نوآوری یادگیری ماشین در RayStation: اولویت بندی سرعت، اتوماسیون، کارایی - دنیای فیزیک

نوآوری یادگیری ماشین در RayStation: اولویت بندی سرعت، اتوماسیون، کارایی - دنیای فیزیک

تمبر زمان: 11 مه 2023 ساعت 12:10 بعد از ظهر

آزمایشگاه‌های RaySearch و مشتریان بالینی آن در حال استفاده از پیشرفت‌ها در یادگیری ماشینی هستند تا روند کار رادیوتراپی را دوباره تصور کنند.

سرطان شناسی مبتنی بر داده از آزمایشگاه های RaySearch
انکولوژی مبتنی بر داده: تعداد فزاینده‌ای از مشتریان بالینی از قابلیت‌های یادگیری عمیق RayStation برای تقسیم‌بندی خودکار نشانه‌های بیماری‌های مختلف استفاده می‌کنند. (تقدیم از: RaySearch Laboratories)

فن‌آوری‌های یادگیری ماشینی موجی از نوآوری و تحول مبتنی بر داده‌ها را در انکولوژی تشعشع به راه می‌اندازند، که باعث بهبود عملکرد مرحله‌ای در اتوماسیون، کارایی گردش کار و ثبات درمان - هم برای کلینیک‌های فردی و هم در سراسر سیستم‌های مراقبت بهداشتی چند مرکزی می‌شود. با نوشتن بزرگ، بازی پایانی سرطان شناسی مبتنی بر داده بیانگر یک روایت قانع کننده است - روایتی که با جزئیات برای بازدیدکنندگان از غرفه توضیح داده خواهد شد. آزمایشگاه های RaySearch، شرکت نرم افزار انکولوژی مستقر در استکهلم، در کنگره سالانه انجمن اروپایی رادیوتراپی و انکولوژی (ESTRO) در وین، اتریش، اواخر این هفته.

فردریک لوفمن، مدیر یادگیری ماشین در RaySearch توضیح می‌دهد: «همکاری بالینی و اعتبارسنجی مدل برای استقرار موفقیت‌آمیز یادگیری ماشین در برنامه‌ریزی، ارائه و مدیریت برنامه‌های درمان پرتودرمانی ضروری است. چیزی که لوفمن به طور خاص به آن اشاره می‌کند، جمع‌آوری و تجمیع داده‌ها در مقیاس برای توسعه مدل از پایگاه کاربران بین‌المللی RaySearch است، در حالی که همکاری نزدیک با متخصصان بالینی در کارهایی مانند غنی‌سازی داده‌ها و مدیریت داده‌ها برای اطمینان از اعتبارسنجی قوی مدل‌های یادگیری ماشینی است. برای گل سرسبد فروشنده سیستم برنامه ریزی درمان RayStation (TPS)

بخش جلویی و مرکزی نقشه راه نوآوری RayStation، تقسیم‌بندی خودکار یادگیری عمیق (DLS) و اتوماسیون مبتنی بر یادگیری عمیق در برنامه‌ریزی درمان است. لوفمن می‌افزاید: «اولویت کار با فیزیکدانان پزشکی و انکولوژیست‌های تشعشعی برای بهبود، بهینه‌سازی و تعمیم مدل‌های یادگیری ماشینی در RayStation در طول چرخه زندگی آن‌ها است. در نهایت، این کلینیک‌ها هستند که ارزیابی واقعی و اعتبار یادگیری ماشینی را که از نظر کیفیت درمان و نتایج بیمار اندازه‌گیری می‌شود، ارائه می‌کنند.

تقسیم بندی ساده

این فرآیند اعتبار سنجی بالینی در حال حاضر به خوبی در حال انجام است - و در حال تسریع است. گسترش تجاری و مسیر بالینی DLS را در نظر بگیرید، با تعداد فزاینده‌ای از مراکز درمانی که به سرعت پذیرش بالینی کاتالوگ مدل‌های DLS RayStation را برای تقسیم‌بندی خودکار نشانه‌های بیماری‌های مختلف در سر و گردن/مغز، قفسه سینه و سینه دنبال می‌کنند. ، شکم و لگن - در برخی موارد، در مقایسه با روش های دستی یا نیمه اتوماتیک، زمان صرف شده برای کانتورینگ بیمار را تا 75 درصد کاهش می دهد.

به زبان ساده، عملکرد DLS RayStation - آموزش دیده و تایید شده بر روی مجموعه داده های بیمار در مقیاس بزرگ - به طور خودکار خطوطی از ساختارهای حیاتی را در محیط نزدیک تومور ایجاد می کند. سپس تیم‌های بالینی می‌توانند به منظور بهینه‌سازی کنترل تومور و کاهش سمیت پرتو، تقسیم‌بندی را بررسی و تنظیم کنند.

فردریک لوفمن
فردریک لوفمن: «این کلینیک‌ها هستند که اعتبار واقعی یادگیری ماشین را از نظر کیفیت درمان و نتایج بیمار اندازه‌گیری می‌کنند.» (تقدیم از: RaySearch Laboratories)

سال گذشته، یک مطالعه موردی در این زمینه شاهد بود آموزش، اعتبار سنجی و اجرای بالینی مدل های RayStation DLS برای رادیوتراپی سرطان پستان موضعی – همکاری بین RaySearch، بیمارستان St Olavs (تروندهایم، نروژ) و بیمارستان Ålesund (Ålesund، نروژ). تیم مشترک مدل‌های DLS را برای 18 ساختار (از جمله غدد لنفاوی پستان) در 170 مورد سرطان پستان در سمت چپ آموزش دادند. 30 مورد بیمار دیگر برای اعتبار سنجی استفاده شد. بر اساس دو ماه اول تجربه بالینی، مراکز درمانی زمان کل تعیین خط را از تقریباً یک ساعت به 15 دقیقه برای هر بیمار کاهش دادند، در حالی که مدل‌های DLS از نظر سازگاری و استانداردسازی کانتورینگ، از روش‌های تقسیم‌بندی دستی نیز بهتر عمل کردند.

لوفمن توضیح می‌دهد: «روش‌شناسی DLS، الگوریتم‌ها و «زیرساخت» بخشی جدایی‌ناپذیر از RayStation هستند. به این ترتیب، DLS یک توسعه طبیعی از TPS و مدل‌سازی بیماران است، با داده‌های بیمار همیشه در RayStation باقی می‌ماند و کاربران نیازی به صادرات داده‌های تصویر و وارد کردن نتایج ندارند. علاوه بر این، کاتالوگ DLS با انتشار هر مدل در حال رشد است و در نهایت همه مکان‌های اصلی بیماری را برای درمان رادیوتراپی پوشش می‌دهد. برای مثال، یک مدل پروستات تقویت‌شده در ماه ژوئن فعال می‌شود، در حالی که مدل‌های غدد لنفاوی سر و گردن یکی دیگر از اولویت‌های توسعه امسال است.

افق برنامه ریزی

در پایین دست از DLS در جریان کار RayStation، لوفمن و تیم بین رشته‌ای او - 20 دانشمند و مهندس که در زیرگروه‌های برنامه‌ریزی، تصویربرداری و تجزیه و تحلیل تقسیم شده‌اند - همچنین در حال پیشبرد بالینی اتوماسیون مبتنی بر یادگیری عمیق در برنامه‌ریزی درمان هستند. در اینجا، مدل‌های یادگیری ماشینی RayStation برای پیش‌بینی و بهینه‌سازی دوز فضایی سه‌بعدی، با استراتژی‌های داخلی برای تولید خودکار مجموعه‌ای از طرح‌های درمانی قابل تحویل در روش‌های کلیدی، از جمله رادیوتراپی تعدیل‌شده با شدت (IMRT)، درمان قوس مدوله‌شده حجمی (VMAT) استفاده می‌شوند. ) توموتراپی حلزونی و سیستم های درمانی اسکن پرتو مدادی.

از نظر عملیاتی، مقایسه سریع آن برنامه‌های کاندید با انتخاب طرح بهینه برای هر بیمار از نظر پوشش تومور، سازگاری و حفظ بافت دنبال می‌شود. به این ترتیب، تیم انکولوژی پرتوشناسی می‌تواند به سرعت برنامه‌های مربوط به هر بیمار را بررسی کند، مناسب‌ترین را انتخاب کند و سپس در صورت نیاز (به‌طور خودکار، نیمه خودکار یا دستی) آن را تنظیم کند.

لوفمن توضیح می‌دهد: «ما در حال حاضر بیش از ده‌ها مرکز داریم که از برنامه‌ریزی درمانی مبتنی بر یادگیری عمیق RayStation به صورت منظم استفاده می‌کنند - در زمان و تلاش زیادی در این فرآیند صرفه‌جویی می‌شود. ما با همکاری با مشتریان خود، ثابت کرده‌ایم که فناوری یادگیری عمیق، برنامه‌های قوی و باکیفیت را به‌طور خودکار ارائه می‌کند - هم برای سیستم‌های درمان فوتون و پروتون و هم برای طیف وسیعی از مکان‌های بیماری که شامل پروستات، ریه، سینه، سر و گردن و رکتوم می‌شوند. "

برنامه ریزی درمانی فردی
برنامه ریزی فردی: اتوماسیون مبتنی بر یادگیری عمیق امکان مقایسه سریع گزینه های طرح درمان را در RayStation TPS و سپس انتخاب طرح بهینه برای هر بیمار از نظر پوشش تومور، سازگاری و کاهش بافت را فراهم می کند. (تقدیم از: RaySearch Laboratories)

RaySearch به نوبه خود، برای پیکربندی مدل‌های برنامه‌ریزی یادگیری عمیق بر اساس پروتکل‌های درمانی محلی و اولویت‌های بالینی، از نزدیک با کاربران نهایی کار می‌کند، در حالی که استقرار در گردش کار رادیوتراپی یک فرآیند چند مرحله‌ای است که برای ساده‌سازی مسیر ترجمه بالینی طراحی شده است. در وهله اول، مهندسان RaySearch مدل را قبل از انتشار (ترکیبی از ارزیابی کمی و کیفی) تأیید می‌کنند و دامنه مدل و محدودیت‌های متعاقباً با مشتریان به اشتراک گذاشته می‌شود. پس از آن کلینیک مدل را (ارزیابی عملکرد آن بر اساس داده‌های محلی) را قبل از تایید و اجرای زنده در زنجیره درمان رادیوتراپی راه‌اندازی می‌کند.

لوفمن خاطرنشان می کند: «در نظر گرفتن چرخه زندگی کامل مدل های یادگیری عمیق بالینی ضروری است. به عنوان مثال، در حال حاضر، ما با شرکای کلیدی بالینی برای شروع یک برنامه ارزیابی سیستماتیک با نگاهی به عملکرد مدل در طول زمان همکاری می کنیم.

در همین حال، نمایندگانی که در نمایشگاه ESTRO شرکت می‌کنند، می‌توانند آخرین نوآوری‌های RayStation را از نزدیک ببینند - با یک نمایش محصول چشم‌گیر که جنبه عملیاتی یکپارچه‌سازی DLS و برنامه‌ریزی مبتنی بر یادگیری عمیق را در یک محیط TPS یکپارچه برجسته می‌کند. با شروع تصویر CT از یک مورد پروستات، نمایش نشان خواهد داد که چگونه DLS می تواند قطعه بندی تمام ساختارهای حیاتی و پروستات را برای تولید خودکار حجم های مورد نظر سریع ردیابی کند. سپس خروجی DLS با استفاده از یک مدل یادگیری عمیق برای تولید خودکار یک طرح قابل تحویل و با کیفیت بالا، به طور یکپارچه به تنظیم طرح VMAT وارد می شود. لوفمن ادعا می کند: «این یک بازی را تغییر می دهد. DLS و برنامه‌ریزی درمان تقریباً 2 دقیقه طول می‌کشد و تنها با یک کلیک کاربر شروع به فرآیند می‌کند.

هوش بالینی

علی‌رغم تمرکز اصلی بر یادگیری ماشین، لوفمن همچنین بر اهمیت «داده‌های بزرگ» به‌عنوان توانمندکننده بهترین عملکرد بالینی در انکولوژی پرتو - و به‌ویژه در دسترس بودن، دسترسی و استانداردسازی داده‌های بیمار و گردش کار برای حمایت از درمان‌های بهینه و بهبود یافته بیمار تأکید می‌کند. عواقب. در قلب آن گفتگوی جمعی قرار دارد RayIntelligence، سیستم تجزیه و تحلیل سرطان شناسی مبتنی بر ابر فروشنده، که انبار داده تلفیقی و همچنین ساختار، تبدیل و داشبورد مخزن داده متمرکز حاصل را برای مصرف و تجزیه و تحلیل آسان تر ترکیب می کند.

لوفمن خاطرنشان می‌کند: «رای‌اینتلیجنس همه چیز در مورد کمک به کلینیک‌ها است تا داده‌محورتر شوند». به عبارت دیگر: استفاده از داده‌های جمع‌آوری‌شده در طول «سفر بیمار» برای ارائه مراقبت‌های شخصی‌شده که مبتنی بر شواهد دنیای واقعی است.» او استدلال می‌کند که شکافی برای این نوع قابلیت ذخیره‌سازی داده وجود دارد، به طوری که کاربران می‌توانند داده‌های بیمار و گردش کار خود را در زمان واقعی تجسم و بررسی کنند تا معیارسنجی، تشخیص موارد دور از دسترس و بهبود مستمر فرآیند را تسهیل کنند.

در دراز مدت، لوفمن همچنین فرصت‌هایی را برای RayIntelligence می‌بیند تا زیرساخت‌ها و ابزارهای مورد نیاز برای ارزیابی مدل‌های یادگیری ماشینی در گروه‌های بیمار مرتبط را فراهم کند. او نتیجه می‌گیرد: «نوآوری در یادگیری ماشینی به مجموعه‌های داده‌ای در مقیاس بزرگ نیاز دارد که محققان، کلینیک‌ها و صنعت بتوانند به روشی بی‌طرفانه و نماینده به آن دسترسی داشته باشند. RayIntelligence بلوک‌های ساختمان مورد نیاز برای متمرکز کردن – و امکان یادگیری مدل‌ها – از حجم عظیمی از داده‌های تولید شده توسط آزمایش‌های بالینی چند مرکزی را فراهم می‌کند.

تمبر زمان:

بیشتر از دنیای فیزیک