חדשנות למידת מכונה ב-RayStation: מתן עדיפות למהירות, אוטומציה, יעילות - עולם הפיזיקה

טכנולוגיות למידת מכונה משחררות גל של חדשנות מונעת נתונים וטרנספורמציה באונקולוגית הקרינה, ומניבות שיפורי תפקוד צעדים באוטומציה, יעילות זרימת העבודה ועקביות הטיפול - הן עבור מרפאות בודדות והן במערכות בריאות רב-מרכזיות. כתוב בגדול, משחק הקצה של אונקולוגיה מונעת נתונים מייצג נרטיב משכנע - כזה שיפורט בפירוט עבור המבקרים בדוכן של מעבדות RaySearch, חברת התוכנה האונקולוגית שבסיסה בשטוקהולם, ב- הקונגרס השנתי של האגודה האירופית לרדיותרפיה ואונקולוגיה (ESTRO) בוינה, אוסטריה, בהמשך השבוע.

"שיתוף פעולה קליני ואימות מודל חיוניים להטמעה מוצלחת של למידת מכונה בתכנון, אספקה ​​וניהול של תוכניות טיפול בקרינה", מסביר פרדריק לופמן, מנהל למידת מכונה ב-RaySearch. מה שלופמן רומז לו, באופן ספציפי, הוא איסוף והצטברות בקנה מידה של נתונים לפיתוח מודלים מבסיס המשתמשים הבינלאומי של RaySearch, תוך שיתוף פעולה הדוק עם מומחים קליניים במשימות כמו העשרת נתונים ואיסוף נתונים כדי להבטיח אימות חזק של מודלים של למידת מכונה. לספינת הדגל של הספק מערכת תכנון טיפול RayStation (TPS).

בראש ובמרכז מפת הדרכים החדשנית של RayStation הם פילוח אוטומטי של למידה עמוקה (DLS) ואוטומציה המאפשרת למידה עמוקה בתכנון טיפול. "העדיפות היא לעבוד עם פיזיקאים רפואיים ואונקולוגים קרינה כדי לשפר, לייעל ולהכליל את המודלים של למידת המכונה ב-RayStation לאורך מחזור החיים שלהם", מוסיף לופמן. "אחרי הכל, המרפאות הן שמספקות את ההערכה והאימות בעולם האמיתי של למידת מכונה הנמדדת במונחים של איכות הטיפול ותוצאות המטופל."

פילוח יעיל

תהליך זה של אימות קליני כבר בעיצומו - ומאוץ. שקול את ההשקה המסחרית ואת המסלול הקליני של DLS, עם מספר גדל והולך של מרכזי טיפול שעוקבים במהירות אחר האימוץ הקליני של קטלוג דגמי ה-DLS של RayStation לפילוח אוטומטי של אינדיקציות מחלה מגוונות המתפרשות על ראש צוואר/מוח, בית חזה ושד. , בטן ואגן - במקרים מסוימים, צמצום הזמן המושקע בעיצוב המטופל בשיעור של עד 75% לעומת שיטות ידניות או חצי אוטומטיות.

בפשטות, פונקציונליות ה-DLS של RayStation - מאומנת ומאומתת על מערכי נתונים בקנה מידה גדול של מטופלים - יוצרת אוטומטית קווי מתאר של מבנים קריטיים בסביבה הקרובה של הגידול. לאחר מכן צוותים קליניים מסוגלים לסקור ולכוון את הפילוח על מנת לייעל את בקרת הגידול ולהפחית רעילות קרינה.

בשנה שעברה, מחקר מקרה בהקשר זה ראה את הדרכה, תיקוף ויישום קליני של מודלים של RayStation DLS לטיפול בהקרנות בסרטן שד מקומי-אזורי – שיתוף פעולה בין RaySearch, בית החולים סנט אולבס (טרונדהיים, נורבגיה) ובית החולים אלסונד (אלסונד, נורבגיה). הצוות המשותף אימן מודלים של DLS עבור 18 מבנים (כולל בלוטות לימפה בשד) על 170 מקרים של סרטן שד בצד שמאל; עוד 30 מקרים של חולים שימשו לאימות. בהתבסס על החודשיים הראשונים של הניסיון הקליני, מרכזי הטיפול הפחיתו את זמן התיחום הכולל משעה אחת ל-15 דקות למטופל, בעוד שדגמי ה-DLS גם עלו על שיטות הפילוח הידניות מבחינת העקביות והסטנדרטיזציה של קווי המתאר.

"מתודולוגיית ה-DLS, האלגוריתמים וה'תשתית' הם חלק בלתי נפרד מ-RayStation", מסביר לופמן. "ככזה, DLS הוא הרחבה טבעית של ה-TPS והמודלים של מטופלים, כאשר נתוני המטופל נשארים תמיד בתוך RayStation ואין צורך למשתמשים לייצא נתוני תמונה ולייבא תוצאות." יתרה מכך, קטלוג ה-DLS גדל עם כל שחרור דגם ובסופו של דבר יכסה את כל אתרי המחלה העיקריים לטיפול בהקרנות. מודל ערמונית משופר יעלה לאוויר ביוני, למשל, בעוד שמודלים לבלוטות לימפה של ראש וצוואר הם עדיפות פיתוח נוספת השנה.

אופק תכנון

במורד ה-DLS בזרימת העבודה של RayStation, לופמן והצוות הבין-תחומי שלו - 20 מדענים ומהנדסים המחולקים על פני תת-קבוצות של תכנון, הדמיה ואנליטיקה - מקדמים גם הם את ההשקה הקלינית של אוטומציה המאפשרת למידה עמוקה בתכנון הטיפול. כאן, המודלים של לימוד המכונה של RayStation משמשים לניבוי ואופטימיזציה של מינון מרחבי תלת-ממדי, עם אסטרטגיות מובנות ליצירה אוטומטית של קבוצה של תוכניות טיפול הניתנות להספק על פני אופני מפתח, כולל רדיותרפיה מאופנת אינטנסיביות (IMRT), טיפול בקשתות מווסתת נפח (VMAT) ), מערכות טיפול טומותרפיה סליל וסריקת קרן עיפרון.

מבחינה תפעולית, השוואה מהירה של תכניות מועמדים אלו מלווה בבחירת התוכנית האופטימלית עבור כל מטופל מבחינת כיסוי גידול, התאמה וחיסכון ברקמות. בדרך זו, צוות הקרינה האונקולוגי יכול לסקור במהירות את התוכניות עבור כל מטופל, לבחור את המתאים ביותר ולאחר מכן לכוונן (אוטומטי, חצי אוטומטי או ידני) במידת הצורך.

"יש לנו כעת יותר מתריסר מרכזים המשתמשים בתכנון הטיפול המאפשר למידה עמוקה של RayStation באופן קליני על בסיס קבוע - חוסך הרבה זמן ומאמץ בתהליך", מסביר לופמן. "בעבודה עם הלקוחות שלנו, הוכחנו שטכנולוגיית למידה עמוקה מספקת תוכניות חזקות ואיכותיות באופן אוטומטי - הן עבור מערכות טיפול בפוטונים ופרוטונים ומגוון אתרי מחלה המשתרעים על ערמונית, ריאות, שד, ראש צוואר ופי הטבעת ."

RaySearch, מצידה, עובדת בשיתוף פעולה הדוק עם משתמשי קצה כדי להגדיר מודלים של תכנון למידה עמוקה לפרוטוקולי טיפול מקומיים והעדפות קליניות, בעוד שהפריסה לתוך זרימת העבודה של הקרנות היא תהליך רב-שלבי שנועד לייעל את הדרך לתרגום קליני. בשלב ראשון, מהנדסי RaySearch יאמתו את המודל לפני השחרור (שילוב של הערכה כמותית ואיכותית), כאשר היקף המודל והמגבלות יחולקו לאחר מכן עם הלקוחות. לאחר מכן המרפאה תזמין את המודל (הערכת ביצועיו על פי נתונים מקומיים) לקראת אישור ויישום חי בשרשרת הטיפולים בהקרנות.

"חיוני לשקול את מחזור החיים המלא של המודלים הקליניים של למידה עמוקה", מציין לופמן. "כרגע, למשל, אנו משתפים פעולה עם שותפים קליניים מרכזיים כדי ליזום תוכנית שיטתית של הערכה הבוחנת את ביצועי המודל לאורך זמן."

בינתיים, נציגים שישתתפו בתערוכת ESTRO יוכלו לראות מקרוב את החידושים האחרונים ב-RayStation - עם הדגמת מוצר אחת מושכת את העין המדגישה את הצד התפעולי של שילוב DLS ותכנון המאפשר למידה עמוקה בתוך סביבת TPS מאוחדת. החל מתמונת ה-CT של מקרה הערמונית, ההדגמה תראה כיצד DLS יכול לעקוב אחר פילוח של כל המבנים הקריטיים ושל הערמונית כדי ליצור אוטומטית את נפחי היעד. פלט ה-DLS ניזון בצורה חלקה לתוך מערך תוכנית ה-VMAT, תוך שימוש במודל למידה עמוקה כדי ליצור באופן אוטומטי תוכנית ניתנת לביצוע ואיכות גבוהה. "זה מחליף משחק", טוען לופמן. "ה-DLS ותכנון הטיפול נמשכים כ-2 דקות מקצה לקצה עם לחיצת משתמש בודדת בלבד כדי להתחיל את התהליך."

אינטליגנציה קלינית

על אף ההתמקדות הראשית בלמידת מכונה, לופמן גם דוחפת את החשיבות של "נתונים גדולים" כמאפשרת של שיטות עבודה מומלצות קליניות באונקולוגיה בקרינה - ובמיוחד את הזמינות, הנגישות והסטנדרטיזציה של נתוני המטופל וזרימת העבודה כדי לתמוך בטיפולים אופטימליים ובמטופל משופר. תוצאות. בליבה של אותה שיחה קולקטיבית הוא RayIntelligence, מערכת הניתוח האונקולוגית מבוססת הענן של הספק, המשלבת מחסני נתונים מאוחדים כמו גם מבנה, טרנספורמציה ודשבורד של מאגר הנתונים הריכוזי שנוצר לצריכה וניתוח קלים יותר.

"RayIntelligence עוסקת בסיוע למרפאות להיות יותר מונעות נתונים", מציין לופמן. "במילים אחרות: שימוש בנתונים שנאספו במהלך 'מסע המטופל' כדי לספק טיפול מותאם אישית המבוסס על ראיות מהעולם האמיתי." יש פער, לטענתו, לסוג זה של יכולת אחסון נתונים, כך שמשתמשים יוכלו להמחיש ולהתעמק בנתוני המטופל וזרימת העבודה שלהם כמעט בזמן אמת כדי להקל על ביצוע ביצועים, זיהוי חריגים ושיפור תהליכים מתמיד.

לטווח ארוך, לופמן גם רואה הזדמנויות ל-RayIntelligence לספק את התשתית והכלים הדרושים להערכת מודלים של למידת מכונה על קבוצות מטופלים רלוונטיות. הוא מסכם: "חדשנות בלמידת מכונה דורשת מערכי נתונים בקנה מידה גדול שחוקרים, מרפאות ותעשייה יכולים לגשת אליהם בצורה לא משוחדת ומייצגת. RayIntelligence מספקת את אבני הבניין הדרושים כדי לרכז - ולאפשר למודלים ללמוד מהם - את כמויות הנתונים העצומות שנוצרו על ידי ניסויים קליניים רב-מרכזיים."

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoAiStream. Web3 Data Intelligence. הידע מוגבר. גישה כאן.
• הטבעת העתיד עם אדריאן אשלי. גישה כאן.
• קנה ומכירה של מניות בחברות PRE-IPO עם PREIPO®. גישה כאן.
• מקור: https://physicsworld.com/a/machine-learning-innovation-in-raystation-prioritizing-speed-automation-efficiency/