डीप लर्निंग तेज और सटीक प्रोटॉन खुराक गणना को सक्षम बनाता है

सफल विकिरण चिकित्सा एक सटीक उपचार योजना के निर्माण पर निर्भर करती है जो निर्धारित लक्ष्यों तक विकिरण की खुराक सटीक रूप से पहुंचाएगी। हालाँकि, इस योजना की सटीकता, अंतर्निहित खुराक गणना की सटीकता जितनी ही अच्छी है। और प्रोटॉन थेरेपी के लिए, सटीक खुराक गणना और भी महत्वपूर्ण है, क्योंकि प्रोटॉन फोटॉन की तुलना में अधिक अनुरूप खुराक वितरण प्रदान करते हैं और शारीरिक परिवर्तनों के प्रति अधिक संवेदनशील होते हैं।

मेयो क्लिनिक की पहली प्रोटोन थेरेपी अनुसंधान कार्यशाला में बोलते हुए, स्टीव जियांग - मेडिकल आर्टिफिशियल इंटेलिजेंस एंड ऑटोमेशन के प्रोफेसर और निदेशक (माइया) यूटी साउथवेस्टर्न मेडिकल सेंटर की प्रयोगशाला - प्रोटॉन खुराक गणना की प्रमुख आवश्यकताओं का वर्णन किया - और उन तरीकों का वर्णन किया जिनसे गहन शिक्षा इन लक्ष्यों को प्राप्त करने में मदद कर सकती है।

जियांग ने बताया कि उच्च सटीकता के साथ-साथ, प्रोटॉन खुराक की गणना भी तेज होनी चाहिए। उपचार योजना के लिए इसका अर्थ है कुछ मिनट; अनुकूली रेडियोथेरेपी में अंश वितरण से पहले पुनर्योजना के लिए, कुछ सेकंड। आगे देखने पर, हम उपचार वितरण के दौरान वास्तविक समय अनुकूलन की शुरूआत देख सकते हैं। उन्होंने कहा, "अभी हम ऐसा नहीं करते हैं।" “लेकिन कुछ बिंदु पर हम वास्तविक समय में उपचार योजना को अनुकूलित करना चाह सकते हैं। उस तरह के एप्लिकेशन के लिए, हमें मिलीसेकंड में खुराक की गणना की आवश्यकता होगी।

वर्तमान में, खुराक की गणना के लिए दो मुख्य प्रकार की तकनीकों का उपयोग किया जाता है, जिन्हें निम्न द्वारा दर्शाया जाता है: पेंसिल बीम एल्गोरिदम, जो कम सटीक हैं लेकिन काफी तेज़ हैं; और मोंटे कार्लो (एमसी) सिमुलेशन, जो अधिक सटीक हैं लेकिन आम तौर पर बहुत धीमे हैं। जियांग ने कहा, "लेकिन हमें प्रोटॉन खुराक की गणना के लिए सटीकता और गति की आवश्यकता है।" "तो वहाँ एक अपूर्ण नैदानिक ​​​​आवश्यकता है: हमें एक एल्गोरिदम विकसित करने की आवश्यकता है जो तेज़ और सटीक दोनों हो।"

तो यह कैसे हासिल किया जा सकता है? एक दृष्टिकोण एमसी गणना की दक्षता में सुधार करना है, उदाहरण के लिए एमसी कोड को तेज करने के लिए ग्राफिक्स प्रोसेसिंग इकाइयों (जीपीयू) का उपयोग करना, या एमसी-गणना परिणामों में निहित शोर को कम करने के लिए गहन शिक्षण-आधारित डीनोइज़िंग। एक अन्य विकल्प पेंसिल बीम एल्गोरिदम की सटीकता में सुधार के लिए गहन शिक्षण विधियों को नियोजित करना है। अंत में, नए, पूरी तरह से अलग एल्गोरिदम विकसित करना संभव हो सकता है जो दोनों आवश्यकताओं को पूरा करते हों; और गहन शिक्षा इस संभावना का पता लगाने में मदद कर सकती है।

गति और सटीकता का संयोजन

एमसी सिमुलेशन का जीपीयू-त्वरण पहले से ही संभव है। दस साल पहले (यूसी सैन डिएगो में रहते हुए और मास जनरल अस्पताल के सहयोग से), जियांग और सहकर्मियों ने विकास किया जीपीएमसीजीपीयू पर तेज़ प्रोटॉन खुराक गणना के लिए एक एमसी पैकेज। इसने 1-10 सेकंड में 20% अनिश्चितता के साथ एक विशिष्ट प्रोटॉन उपचार योजना की गणना को सक्षम किया। जियांग का कहना है कि आज के तेज़ जीपीयू के साथ, जीपीएमसी और भी अधिक दक्षता प्रदान कर सकता है।

एमएआईए लैब में सहकर्मियों के साथ काम करते हुए, जियांग ने एक गहन शिक्षण-आधारित एमसी डिनोइज़र भी विकसित किया है। उन्होंने एक बनाया गहरी खुराक प्लगइन जिसे वास्तविक समय एमसी खुराक गणना को सक्षम करने के लिए किसी भी जीपीयू-आधारित एमसी खुराक इंजन में जोड़ा जा सकता है। डिनोइज़र केवल 39 एमएस में चलता है, पूरी खुराक गणना में केवल 150 एमएस लगता है। जियांग ने नोट किया कि प्लगइन को फोटॉन बीम रेडियोथेरेपी के लिए विकसित किया गया था, लेकिन इसका उपयोग प्रोटॉन खुराक गणना में एमसी डीनोइज़िंग के लिए भी किया जा सकता है।

इसके बाद, जियांग ने खुराक की गणना के लिए सीधे गहन शिक्षण तकनीकों का उपयोग करने के तरीकों का वर्णन किया। उन्होंने इस बात पर जोर दिया कि यह खुराक की भविष्यवाणी से भिन्न है, जो रोगी की शारीरिक रचना और उनके इष्टतम खुराक वितरण के बीच एक संबंध मानता है, और एक पूर्वानुमान मॉडल बनाने के लिए इस रिश्ते का उपयोग करता है। उसी रोग स्थल के ऐतिहासिक उपचारों के डेटा पर प्रशिक्षण के बाद, मॉडल नए रोगी के लिए इष्टतम खुराक वितरण की भविष्यवाणी करता है और उपचार योजना का मार्गदर्शन करने के लिए इसका उपयोग करता है। यूटी साउथवेस्टर्न ने पिछले दो वर्षों से अधिक समय से इस प्रकार की रोगी-विशिष्ट खुराक भविष्यवाणी को चिकित्सकीय रूप से नियोजित किया है।

लेकिन खुराक की गणना इससे भी अधिक है. जियांग ने कहा, "यहां, हम जिस संबंध का फायदा उठाने की कोशिश कर रहे हैं वह रोगी की शारीरिक रचना और मशीन मापदंडों और वास्तविक खुराक वितरण के बीच है।" "आप रोगी की शारीरिक रचना जानते हैं, आप उपचार योजना जानते हैं, अब आप देखना चाहते हैं कि खुराक वितरण क्या है, इसलिए यह खुराक की गणना है।"

जियांग की टीम ने सबसे पहले गहन शिक्षण-आधारित खुराक गणना मॉडल विकसित किया फोटॉन बीम रेडियोथेरेपी. मॉडल को विभिन्न रोगी शरीर रचना और मशीन मापदंडों के लिए एमसी-गणना की गई खुराक वितरण का उपयोग करके प्रशिक्षित किया जाता है। मॉडल इनपुट के लिए, टीम ने प्रत्येक किरण के लिए रोगी सीटी स्कैन और किरण अनुरेखण खुराक वितरण का उपयोग किया, जिसमें मशीन पैरामीटर किरण अनुरेखण में एन्कोड किए गए थे। जियांग ने कहा, "यह पूरी गहन शिक्षण प्रक्रिया को आसान बनाता है और गहन शिक्षण में भौतिकी को शामिल करने का एक अच्छा तरीका है।"

शोधकर्ताओं ने इसके लिए एक समान दृष्टिकोण लागू किया प्रोटॉन खुराक गणनाएमसी सिमुलेशन की तुलना में पेंसिल बीम खुराक गणना की सटीकता को बढ़ाने के लिए एक गहन शिक्षण मॉडल का उपयोग करना। उन्होंने 290 सिर और गर्दन, यकृत, प्रोस्टेट और फेफड़ों के कैंसर के मामलों के लिए TOPAS MC प्लेटफ़ॉर्म से पेंसिल बीम खुराक वितरण और डेटा का उपयोग करके मॉडल को प्रशिक्षित और परीक्षण किया। प्रत्येक योजना के लिए, उन्होंने पेंसिल बीम खुराक से एमसी खुराक वितरण की भविष्यवाणी करने के लिए मॉडल को प्रशिक्षित किया।

इस दृष्टिकोण ने परिवर्तित और एमसी खुराक के बीच उच्च स्तर का समझौता हासिल किया। जियांग ने कहा, "पेंसिल बीम की तुलना में, हम सटीकता में भारी सुधार देखते हैं, और दक्षता अभी भी बहुत अधिक है।" खुराक गणना सटीकता में सुधार के लिए विकसित मॉडल को प्रोटॉन उपचार योजना के नैदानिक ​​​​कार्यप्रवाह में जोड़ा जा सकता है।

जियांग ने अन्य समूहों द्वारा किए जा रहे इसी तरह के शोध पर भी प्रकाश डाला डिस्कोगैन वुहान विश्वविद्यालय से, DKFZ का उपयोग कृत्रिम तंत्रिका प्रसार प्रोटॉन खुराक गणना के लिए और गहन शिक्षण-आधारित मिलीसेकंड गति खुराक गणना एल्गोरिदम डेल्फ़्ट यूनिवर्सिटी ऑफ़ टेक्नोलॉजी में विकसित किया गया।

उपयोगकर्ताओं को आश्वस्त रखना

जबकि गहरी शिक्षा प्रोटॉन खुराक गणना के लिए आगे बढ़ने का स्पष्ट तरीका प्रतीत हो सकती है, जियांग ने कहा कि लोग अभी भी पेंसिल बीम एल्गोरिदम और एमसी सिमुलेशन जैसे भौतिकी-आधारित मॉडल का उपयोग करने में अधिक सहज महसूस करते हैं। "जब खुराक की गणना के लिए गहन शिक्षण का विचार पहली बार सामने आया, तो लोगों को चिंताएँ हुईं," उन्होंने समझाया। “क्योंकि यह डेटा संचालित है, भौतिकी-आधारित नहीं, आप नहीं जानते कि यह कब विफल हो जाएगा; अप्रत्याशित विनाशकारी विफलताएँ हो सकती हैं। और क्योंकि यह एक ब्लैक बॉक्स है इसलिए इसमें कोई पारदर्शिता नहीं है।”

इसका उत्तर हाइब्रिड मॉडल में हो सकता है, जैसे कि ऊपर वर्णित उदाहरण जो गहन शिक्षण मॉडल के इनपुट के रूप में पेंसिल बीम या रे ट्रेसिंग डेटा का उपयोग करते हैं। यहां, भौतिकी (मशीन पैरामीटर) इनपुट डेटा में एन्कोड किया गया है, जिसकी सटीकता पहले से ही 80-90% है। गहन शिक्षण शेष 20% सटीकता प्राप्त करने के लिए बिखराव और असमानता जैसे प्रभावों को संबोधित कर सकता है जिसे विश्लेषणात्मक एल्गोरिदम के साथ हासिल करना बहुत मुश्किल है। इससे वांछित सटीकता और दक्षता दोनों मिलनी चाहिए।

जियांग ने निष्कर्ष निकाला, "मुझे वास्तव में लगता है कि यह एक अच्छा विचार है क्योंकि यह अप्रत्याशित, विनाशकारी विफलताओं को भी खत्म कर सकता है।" “मैं परिणामों से अधिक सहज महसूस करूंगा। इसके अलावा, आपके पास कुछ हद तक पारदर्शिता होगी, क्योंकि आप जानते हैं कि पहला क्रम प्राथमिक प्रभाव भौतिकी-आधारित है, और यह सही है।

पोस्ट डीप लर्निंग तेज और सटीक प्रोटॉन खुराक गणना को सक्षम बनाता है पर पहली बार दिखाई दिया भौतिकी की दुनिया.

• कॉइनस्मार्ट। यूरोप का सर्वश्रेष्ठ बिटकॉइन और क्रिप्टो एक्सचेंज।
• प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। नि: शुल्क प्रवेश।
• क्रिप्टोहॉक। Altcoin रडार। मुफ्त परीक्षण।
• स्रोत: https://physicsworld.com/a/dep-learning-enables-fast-and-accurate-proton-dose-calculations/