Pembelajaran mendalam memungkinkan penghitungan dosis proton yang cepat dan akurat

Terapi radiasi yang berhasil bergantung pada pembuatan rencana perawatan yang akurat yang akan memberikan dosis radiasi tepat ke target yang ditentukan. Keakuratan rencana ini, bagaimanapun, hanya sebaik keakuratan perhitungan dosis yang mendasarinya. Dan untuk terapi proton, perhitungan dosis yang akurat bahkan lebih penting, karena proton memberikan distribusi dosis yang lebih sesuai daripada foton dan lebih sensitif terhadap perubahan anatomi.

Berbicara di Lokakarya Penelitian Terapi Proton 1 Mayo Clinic, Steve Jiang – profesor dan direktur Medical Artificial Intelligence and Automation (MAIA) Laboratorium di UT Southwestern Medical Center – menjelaskan persyaratan utama penghitungan dosis proton – dan menjelaskan cara pembelajaran mendalam dapat membantu mencapai tujuan ini.

Selain akurasi yang tinggi, Jiang menjelaskan, perhitungan dosis proton juga harus cepat. Untuk perencanaan perawatan ini berarti beberapa menit; untuk perencanaan ulang sebelum pengiriman fraksi dalam radioterapi adaptif, beberapa detik. Melihat lebih jauh ke depan, kita mungkin melihat pengenalan adaptasi real-time selama pemberian pengobatan. "Kami tidak melakukan ini sekarang," katanya. “Tetapi pada titik tertentu kami mungkin ingin menyesuaikan rencana perawatan secara real time. Untuk aplikasi semacam itu, kita akan membutuhkan perhitungan dosis dalam milidetik.”

Saat ini, ada dua jenis teknik utama yang digunakan untuk perhitungan dosis, yang diwakili oleh: algoritma sinar pensil, yang kurang akurat tetapi cukup cepat; dan simulasi Monte Carlo (MC), yang lebih akurat tetapi biasanya jauh lebih lambat. "Tapi kami membutuhkan akurasi dan kecepatan untuk perhitungan dosis proton," kata Jiang. “Jadi ada kebutuhan klinis yang belum terpenuhi: kita perlu mengembangkan algoritme yang cepat dan akurat.”

Jadi bagaimana ini bisa dicapai? Salah satu pendekatannya adalah meningkatkan efisiensi penghitungan MC, misalnya, menggunakan unit pemrosesan grafis (GPU) untuk mempercepat kode MC, atau denoising berbasis pembelajaran mendalam untuk mengurangi noise yang melekat pada hasil penghitungan MC. Pilihan lain adalah menggunakan metode pembelajaran mendalam untuk meningkatkan akurasi algoritma balok pensil. Akhirnya, dimungkinkan untuk mengembangkan algoritme baru yang sama sekali berbeda yang memenuhi kedua persyaratan; dan pembelajaran mendalam dapat membantu mengeksplorasi kemungkinan ini.

Menggabungkan kecepatan dan akurasi

Akselerasi GPU dari simulasi MC sudah dimungkinkan. Sepuluh tahun yang lalu (saat di UC San Diego dan bekerja sama dengan Rumah Sakit Umum Massal), Jiang dan rekan berkembang gPMC, paket MC untuk penghitungan dosis proton cepat pada GPU. Perhitungan yang memungkinkan ini dari rencana perawatan proton tipikal dengan ketidakpastian 1% dalam 10-20 detik. Jiang mencatat bahwa dengan GPU yang lebih cepat saat ini, gPMC dapat menawarkan efisiensi yang lebih tinggi.

Bekerja dengan rekan-rekan di MAIA Lab, Jiang juga telah mengembangkan denoiser MC berbasis pembelajaran yang mendalam. Mereka menciptakan plugin dosis dalam yang dapat ditambahkan ke mesin dosis MC berbasis GPU untuk mengaktifkan penghitungan dosis MC waktu nyata. Denoiser berjalan hanya dalam 39 ms, dengan seluruh perhitungan dosis hanya membutuhkan 150 ms. Jiang mencatat bahwa plugin dikembangkan untuk radioterapi sinar foton, tetapi juga dapat digunakan untuk denoising MC dalam perhitungan dosis proton.

Selanjutnya, Jiang menjelaskan cara menggunakan teknik deep learning secara langsung untuk perhitungan dosis. Dia menekankan bahwa ini berbeda dari prediksi dosis, yang mengasumsikan hubungan antara anatomi pasien dan distribusi dosis optimal mereka, dan menggunakan hubungan ini untuk membangun model prediktif. Setelah pelatihan tentang data dari perawatan historis dari situs penyakit yang sama, model memprediksi distribusi dosis yang optimal untuk pasien baru dan menggunakannya untuk memandu perencanaan perawatan. UT Southwestern telah menggunakan jenis prediksi dosis spesifik pasien ini secara klinis selama lebih dari dua tahun sekarang.

Tapi perhitungan dosis lebih dari ini. “Di sini, hubungan yang kami coba eksploitasi adalah antara anatomi pasien ditambah parameter mesin dan distribusi dosis yang sebenarnya,” kata Jiang. “Anda tahu anatomi pasien, Anda tahu rencana perawatan, sekarang Anda ingin melihat apa distribusi dosisnya, jadi itu perhitungan dosis.”

Tim Jiang pertama kali mengembangkan model perhitungan dosis berbasis pembelajaran mendalam untuk radioterapi sinar foton. Model dilatih menggunakan distribusi dosis yang dihitung MC untuk berbagai anatomi pasien dan parameter mesin. Untuk input model, tim menggunakan CT scan pasien dan distribusi dosis ray tracing untuk setiap balok, dengan parameter mesin yang dikodekan ke dalam ray tracing. “Ini membuat seluruh proses pembelajaran mendalam lebih mudah dan merupakan cara yang baik untuk memasukkan fisika ke dalam pembelajaran mendalam,” kata Jiang.

Para peneliti menerapkan pendekatan serupa untuk perhitungan dosis proton, menggunakan model pembelajaran mendalam untuk meningkatkan akurasi perhitungan dosis sinar pensil dengan simulasi MC. Mereka melatih dan menguji model menggunakan distribusi dosis sinar pensil dan data dari platform TOPAS MC, untuk 290 kasus kanker kepala dan leher, hati, prostat, dan paru-paru. Untuk setiap rencana, mereka melatih model untuk memprediksi distribusi dosis MC dari dosis sinar pensil.

Pendekatan ini mencapai tingkat kesepakatan yang tinggi antara dosis yang dikonversi dan dosis MC. “Dibandingkan dengan balok pensil, kami melihat peningkatan besar dalam akurasi, dan efisiensinya masih sangat tinggi,” kata Jiang. Model yang dikembangkan dapat ditambahkan ke alur kerja klinis perencanaan pengobatan proton untuk meningkatkan akurasi perhitungan dosis.

Jiang juga menyoroti penelitian serupa yang dilakukan oleh kelompok lain, termasuk DiskoGAN dari Universitas Wuhan, DKFZ menggunakan jaringan saraf tiruan untuk perhitungan dosis proton dan algoritma perhitungan dosis kecepatan milidetik berbasis pembelajaran yang mendalam dikembangkan di Universitas Teknologi Delft.

Membuat pengguna tetap yakin

Sementara pembelajaran mendalam mungkin tampak sebagai cara yang jelas untuk perhitungan dosis proton, Jiang mencatat bahwa orang masih merasa lebih nyaman menggunakan model berbasis fisika seperti algoritma balok pensil dan simulasi MC. “Ketika ide pembelajaran mendalam untuk perhitungan dosis pertama kali muncul, orang-orang memiliki kekhawatiran,” jelasnya. “Karena ini berbasis data, bukan berbasis fisika, Anda tidak tahu kapan itu akan gagal; mungkin ada kegagalan bencana yang tidak terduga. Dan karena ini adalah kotak hitam, tidak ada transparansi.”

Jawabannya mungkin terletak pada model hybrid, seperti contoh yang dijelaskan di atas yang menggunakan data pencil beam atau ray tracing sebagai input ke model deep learning. Di sini, fisika (parameter mesin) dikodekan dalam data input, yang sudah memiliki akurasi 80-90%. Pembelajaran mendalam kemudian dapat mengatasi efek seperti pencar dan ketidakhomogenan untuk mendapatkan akurasi 20% sisanya yang sangat sulit dicapai dengan algoritme analitik. Ini harus memberikan akurasi dan efisiensi yang diinginkan.

“Saya sebenarnya berpikir ini adalah ide yang bagus karena juga dapat menghilangkan kegagalan bencana yang tidak terduga,” Jiang menyimpulkan. “Saya akan merasa jauh lebih nyaman dengan hasilnya. Anda juga akan memiliki beberapa tingkat transparansi, karena Anda tahu efek primer orde pertama yang ada berbasis fisika, dan itu benar.”

Pos Pembelajaran mendalam memungkinkan penghitungan dosis proton yang cepat dan akurat muncul pertama pada Dunia Fisika.

• Coinsmart. Pertukaran Bitcoin dan Crypto Terbaik Eropa.
• Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. AKSES GRATIS.
• CryptoHawk. Radar Altcoin. Uji Coba Gratis.
• Sumber: https://physicsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/