Deep learning mahdollistaa nopeat ja tarkat protoniannoslaskelmat

Onnistunut sädehoito perustuu tarkan hoitosuunnitelman laatimiseen, joka toimittaa säteilyannoksen tarkasti määrättyihin kohteisiin. Tämän suunnitelman tarkkuus on kuitenkin vain yhtä hyvä kuin taustalla olevien annoslaskelmien tarkkuus. Ja protonihoidossa tarkka annoksen laskenta on vieläkin kriittisempi, koska protonit toimittavat yhteneväisemmän annosjakauman kuin fotonit ja ovat herkempiä anatomisille muutoksille.

Puhuessaan Mayo Clinicin ensimmäisessä protoniterapiatutkimuspajassa, Steve Jiang – Lääketieteellisen tekoälyn ja automaation professori ja johtaja (MAIA) UT Southwestern Medical Centerin laboratorio – kuvasi protoniannoksen laskennan keskeiset vaatimukset – ja kuvasi tapoja, joilla syväoppiminen voisi auttaa näiden tavoitteiden saavuttamisessa.

Suuren tarkkuuden lisäksi, Jiang selitti, protoniannoslaskelmien on myös oltava nopeita. Hoidon suunnittelussa tämä tarkoittaa muutamaa minuuttia; uudelleensuunnittelua varten ennen fraktion antamista mukautuvassa sädehoidossa, muutama sekunti. Kun katsomme pidemmälle tulevaisuuteen, saatamme nähdä reaaliaikaisen mukautumisen käyttöönoton hoidon aikana. "Emme tee tätä juuri nyt", hän huomautti. "Mutta jossain vaiheessa saatamme haluta mukauttaa hoitosuunnitelmaa reaaliajassa. Tällaista sovellusta varten tarvitsemme annoslaskelman millisekunteina."

Tällä hetkellä annoksen laskemiseen käytetään kahta päätyyppiä tekniikkaa, joita edustavat: kynäsädealgoritmit, jotka ovat vähemmän tarkkoja mutta melko nopeita; ja Monte Carlo (MC) -simulaatiot, jotka ovat tarkempia, mutta tyypillisesti paljon hitaampia. "Mutta tarvitsemme tarkkuutta ja nopeutta protoniannoslaskelmiin", sanoi Jiang. "Joten kliininen tarve on täyttämätön: meidän on kehitettävä algoritmi, joka on sekä nopea että tarkka."

Joten miten tämä voidaan saavuttaa? Yksi lähestymistapa on parantaa MC-laskennan tehokkuutta käyttämällä esimerkiksi grafiikkaprosessointiyksiköitä (GPU) nopeuttamaan MC-koodia tai syvään oppimiseen perustuvaa kohinanvaimennusta MC-laskettujen tulosten kohinan vähentämiseksi. Toinen vaihtoehto on käyttää syväoppimismenetelmiä kynäsädealgoritmien tarkkuuden parantamiseksi. Lopuksi voi olla mahdollista kehittää uusia, täysin erilaisia ​​algoritmeja, jotka täyttävät molemmat vaatimukset; ja syvällinen oppiminen voisi auttaa tutkimaan tätä mahdollisuutta.

Yhdistämällä nopeuden ja tarkkuuden

MC-simulaatioiden GPU-kiihdytys on jo mahdollista. Kymmenen vuotta sitten (oloaikana UC San Diegossa ja yhteistyössä Mass General Hospitalin kanssa) Jiang ja kollegat kehittivät gPMC, MC-paketti nopeaan protoniannoksen laskemiseen GPU:lla. Tämä mahdollisti tyypillisen protonihoitosuunnitelman laskemisen 1 %:n epävarmuudella 10–20 sekunnissa. Jiang huomauttaa, että nykypäivän nopeammilla grafiikkasuorituksilla gPMC voi tarjota vieläkin paremman tehokkuuden.

Jiang on myös kehittänyt syvään oppimiseen perustuvan MC-denoiserin yhteistyössä MAIA Labin kollegoiden kanssa. He loivat a syväannoslaajennus joka voidaan lisätä mihin tahansa GPU-pohjaiseen MC-annosmoottoriin reaaliaikaisen MC-annoslaskennan mahdollistamiseksi. Äänenvaimennin toimii vain 39 ms:ssa, ja koko annoksen laskeminen vie vain 150 ms. Jiang huomauttaa, että laajennus kehitettiin fotonisädehoitoon, mutta sitä voitaisiin käyttää myös MC-kohinaamiseen protoniannoslaskelmissa.

Seuraavaksi Jiang kuvasi tapoja käyttää syväoppimistekniikoita suoraan annoksen laskemiseen. Hän korosti, että tämä eroaa annosennusteesta, joka olettaa potilaan anatomian ja optimaalisen annosjakauman välisen suhteen ja käyttää tätä suhdetta ennustavan mallin rakentamiseen. Saman sairauskohdan historiallisista hoidoista saatujen tietojen koulutuksen jälkeen malli ennustaa optimaalisen annosjakauman uudelle potilaalle ja käyttää tätä ohjaamaan hoidon suunnittelua. UT Southwestern on käyttänyt tämän tyyppistä potilaskohtaista annosennustetta kliinisesti jo yli kahden vuoden ajan.

Mutta annoslaskenta on enemmän kuin tämä. "Tässä suhde, jota yritämme hyödyntää, on potilaan anatomian ja koneparametrien ja todellisen annosjakauman välillä", sanoi Jiang. "Sinä tiedät potilaan anatomian, tiedät hoitosuunnitelman, nyt haluat nähdä, mikä on annosjakauma, joten se on annoslaskentaa."

Jiangin tiimi kehitti ensin syväoppimiseen perustuvan annoslaskentamallin fotonisädehoito. Malli on koulutettu käyttämällä MC-laskettuja annosjakaumia erilaisille potilaan anatomioille ja koneparametreille. Mallin syötteisiin työryhmä käytti potilaan CT-skannausta ja säteen jäljitysannoksen jakautumista kullekin säteelle koneparametrien ollessa koodattu säteenseurantaan. "Tämä tekee koko syvän oppimisprosessin helpommaksi ja on hyvä tapa sisällyttää fysiikka syvään oppimiseen", Jiang huomautti.

Tutkijat käyttivät samanlaista lähestymistapaa protoniannoksen laskeminen, käyttämällä syväoppimismallia kynäsäteen annoksen laskennan tarkkuuden parantamiseksi MC-simulaatioiden tarkkuuteen. He kouluttivat ja testasivat mallia käyttämällä kynäsäteen annosjakaumia ja TOPAS MC -alustan tietoja 290 pään ja kaulan, maksan, eturauhasen ja keuhkosyöpätapauksen osalta. Kutakin suunnitelmaa varten he kouluttivat mallin ennustamaan MC-annoksen jakautumista kynäsäteen annoksesta.

Lähestymistavalla saavutettiin korkeat yhteensopivuus muunnetun ja MC-annoksen välillä. "Verrattuna kynäsäteeseen, näemme valtavan parannuksen tarkkuudessa, ja tehokkuus on edelleen erittäin korkea", sanoi Jiang. Kehitetty malli voidaan lisätä protonihoidon suunnittelun kliiniseen työnkulkuun annoksen laskennan tarkkuuden parantamiseksi.

Jiang korosti myös samanlaista tutkimusta, joka on käynnissä muissa ryhmissä, mukaan lukien DiscoGAN Wuhanin yliopistosta, DKFZ:n käytöstä keinotekoiset hermoverkot protoniannoksen laskemiseen ja syväoppimiseen perustuva millisekunnin nopeuden annoslaskentaalgoritmi kehitetty Delftin teknillisessä yliopistossa.

Pitää käyttäjät vakuuttuneina

Vaikka syväoppiminen saattaa näyttää ilmeiseltä tieltä protoniannoksen laskennassa, Jiang huomautti, että ihmiset tuntevat olonsa silti mukavammaksi käyttää fysiikkaan perustuvia malleja, kuten kynäsädealgoritmeja ja MC-simulaatioita. "Kun idea syvästä oppimisesta annoslaskennassa syntyi, ihmiset olivat huolissaan", hän selitti. ”Koska se on tietopohjainen, ei fysiikkapohjainen, et tiedä milloin se epäonnistuu. voi tulla arvaamattomia katastrofaalisia epäonnistumisia. Ja koska se on musta laatikko, läpinäkyvyyttä ei ole."

Vastaus voi löytyä hybridimalleista, kuten yllä kuvatuista esimerkeistä, jotka käyttävät kynäsäde- tai säteenseurantadataa syväoppimismallin syötteinä. Tässä fysiikka (koneparametrit) on koodattu syöttötietoihin, joiden tarkkuus on jo 80–90 %. Syväoppiminen voi sitten käsitellä vaikutuksia, kuten sirontaa ja epähomogeenisuutta, ja saavuttaa loput 20 % tarkkuudesta, jota on erittäin vaikea saavuttaa analyyttisillä algoritmeilla. Tämän pitäisi tarjota sekä haluttu tarkkuus että tehokkuus.

"Mielestäni tämä on hyvä idea, koska se voi myös eliminoida arvaamattomat, katastrofaaliset epäonnistumiset", Jiang päätti. ”Tuloksena olisin paljon mukavampi. Sinulla olisi myös jonkin verran läpinäkyvyyttä, koska tiedät, että ensiluokkainen ensisijainen vaikutus on fysiikkapohjainen, ja se on oikein."

Viesti Deep learning mahdollistaa nopeat ja tarkat protoniannoslaskelmat ilmestyi ensin Fysiikan maailma.

• Coinsmart. Euroopan paras Bitcoin- ja kryptopörssi.
• Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. VAPAA PÄÄSY.
• CryptoHawk. Altcoinin tutka. Ilmainen kokeilu.
• Lähde: https://physicsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/