Dyp læring muliggjør raske og nøyaktige protondoseberegninger

Vellykket strålebehandling er avhengig av å lage en nøyaktig behandlingsplan som vil levere stråledose nøyaktig til de foreskrevne målene. Nøyaktigheten til denne planen er imidlertid bare så god som nøyaktigheten til de underliggende doseberegningene. Og for protonterapi er nøyaktig doseberegning enda mer kritisk, ettersom protoner leverer en mer konform dosefordeling enn fotoner og er mer følsomme for anatomiske endringer.

Snakker på Mayo Clinic's 1st Proton Therapy Research Workshop, Steve Jiang – professor og direktør for medisinsk kunstig intelligens og automatisering (MAIA) Laboratoriet ved UT Southwestern Medical Center – beskrev nøkkelkravene til protondoseberegning – og beskrev måter dyp læring kan bidra til å nå disse målene.

I tillegg til høy nøyaktighet, forklarte Jiang, må protondoseberegninger også være raske. For behandlingsplanlegging betyr dette noen få minutter; for replanlegging før fraksjonslevering i adaptiv strålebehandling, noen få sekunder. Ser vi lenger fremover, kan vi se introduksjonen av sanntidstilpasning under behandlingslevering. "Vi gjør ikke dette akkurat nå," bemerket han. "Men på et tidspunkt vil vi kanskje tilpasse behandlingsplanen i sanntid. For den typen applikasjoner vil vi trenge doseberegning i millisekunder."

For tiden er det to hovedtyper av teknikker som brukes for doseberegning, representert ved: blyantstrålealgoritmer, som er mindre nøyaktige, men ganske raske; og Monte Carlo (MC) simuleringer, som er mer nøyaktige, men vanligvis langt tregere. "Men vi trenger nøyaktighet og hastighet for protondoseberegninger," sa Jiang. "Så det er et udekket klinisk behov: vi må utvikle en algoritme som er både rask og nøyaktig."

Så hvordan kan dette oppnås? En tilnærming er å forbedre effektiviteten til MC-beregninger, ved å bruke grafikkbehandlingsenheter (GPUer) for å akselerere MC-kode, for eksempel, eller dyp læringsbasert denoising for å redusere støyen som ligger i MC-beregnede resultater. Et annet alternativ er å bruke dyplæringsmetoder for å forbedre nøyaktigheten til blyantstrålealgoritmer. Til slutt kan det være mulig å utvikle nye, totalt forskjellige algoritmer som oppfyller begge kravene; og dyp læring kan bidra til å utforske denne muligheten.

Kombiner hastighet og nøyaktighet

GPU-akselerasjon av MC-simuleringer er allerede mulig. For ti år siden (mens han var ved UC San Diego og i samarbeid med Mass General Hospital), utviklet Jiang og kollegene gPMC, en MC-pakke for rask protondoseberegning på en GPU. Dette muliggjorde beregning av en typisk protonbehandlingsplan med 1 % usikkerhet på 10–20 s. Jiang bemerker at med dagens raskere GPUer, kan gPMC tilby enda høyere effektivitet.

I samarbeid med kolleger ved MAIA Lab har Jiang også utviklet en dyp læringsbasert MC-denoiser. De opprettet en dypdose-plugin som kan legges til en hvilken som helst GPU-basert MC-dosemotor for å muliggjøre MC-doseberegning i sanntid. Denoiser kjører på bare 39 ms, og hele doseberegningen tar bare 150 ms. Jiang bemerker at pluginet ble utviklet for fotonstrålebehandling, men kan også brukes til MC-denoising i protondoseberegninger.

Deretter beskrev Jiang måter å bruke dyplæringsteknikker direkte for doseberegning. Han understreket at dette skiller seg fra doseprediksjon, som forutsetter et forhold mellom en pasients anatomi og deres optimale dosefordeling, og bruker dette forholdet til å bygge en prediktiv modell. Etter trening på data fra historiske behandlinger av samme sykdomssted, predikerer modellen en optimal dosefordeling for den nye pasienten og bruker dette til å veilede behandlingsplanlegging. UT Southwestern har brukt denne typen pasientspesifikk doseprediksjon klinisk i over to år nå.

Men doseberegning er mer enn dette. "Her er forholdet vi prøver å utnytte mellom pasientens anatomi pluss maskinparametere og den faktiske dosefordelingen," sa Jiang. "Du kjenner pasientens anatomi, du kjenner behandlingsplanen, nå vil du se hva som er dosefordelingen, så det er en doseberegning."

Jiangs team utviklet først den dype læringsbaserte doseberegningsmodellen for fotonstrålebehandling. Modellen trenes ved hjelp av MC-beregnede dosefordelinger for ulike pasientanatomier og maskinparametere. For modellinndataene brukte teamet pasientens CT-skanning og strålesporingsdosefordelingen for hver stråle, med maskinparametere kodet inn i strålesporingen. "Dette gjør hele den dype læringsprosessen enklere og er en god måte å inkorporere fysikk i den dype læringen," bemerket Jiang.

Forskerne brukte en lignende tilnærming for protondoseberegning, ved å bruke en dyp læringsmodell for å øke nøyaktigheten til beregning av blyantstråledose til den for MC-simuleringer. De trente og testet modellen ved å bruke blyantstråledosefordelinger og data fra TOPAS MC-plattformen, for 290 tilfeller av hode- og nakkekreft, lever, prostata og lungekreft. For hver plan trente de modellen til å forutsi MC-dosefordelingen fra blyantstråledosen.

Tilnærmingen oppnådde høye nivåer av samsvar mellom den konverterte dosen og MC-dosen. "Sammenlignet med blyantstråle ser vi en enorm forbedring i nøyaktighet, og effektiviteten er fortsatt veldig høy," sa Jiang. Den utviklede modellen kan legges til den kliniske arbeidsflyten for planlegging av protonbehandling for å forbedre nøyaktigheten av doseberegningen.

Jiang fremhevet også lignende forskning på gang av andre grupper, inkludert DiscoGAN fra Wuhan University, DKFZs bruk av kunstige nevrale nettverk for protondoseberegning og dyp læringsbasert millisekunders hastighetsdoseberegningsalgoritme utviklet ved Delft University of Technology.

Holder brukerne trygge

Mens dyp læring kan virke som den åpenbare veien videre for protondoseberegning, bemerket Jiang at folk fortsatt føler seg mer komfortable med å bruke fysikkbaserte modeller som blyantstrålealgoritmer og MC-simuleringer. "Da ideen om dyp læring for doseberegning først kom ut, var folk bekymret," forklarte han. "Fordi det er datadrevet, ikke fysikkbasert, vet du ikke når det kommer til å mislykkes; det kan være uforutsigbare katastrofale feil. Og fordi det er en svart boks, er det ingen åpenhet.»

Svaret kan ligge i hybridmodeller, for eksempel eksemplene beskrevet ovenfor som bruker blyantstråle- eller strålesporingsdata som input til en dyplæringsmodell. Her er fysikken (maskinparametere) kodet i inngangsdataene, som allerede har en nøyaktighet på 80–90 %. Dyplæring kan deretter adressere effekter som spredning og inhomogenitet for å oppnå de resterende 20 % nøyaktigheten som er svært vanskelig å oppnå med analytiske algoritmer. Dette skal gi både ønsket nøyaktighet og effektivitet.

"Jeg tror faktisk dette er en god idé fordi det også kan eliminere uforutsigbare, katastrofale feil," konkluderte Jiang. "Jeg ville føle meg mye mer komfortabel med resultatene. Du vil også ha en viss grad av åpenhet, fordi du vet at den første ordens primæreffekten som er der er fysikkbasert, og det er riktig.»

Innlegget Dyp læring muliggjør raske og nøyaktige protondoseberegninger dukket først på Fysikkens verden.

• Myntsmart. Europas beste Bitcoin og Crypto Exchange.
• Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. FRI TILGANG.
• CryptoHawk. Altcoin Radar. Gratis prøveperiode.
• Kilde: https://physicsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/