Globoko učenje omogoča hitre in natančne izračune doze protonov

Uspešno zdravljenje z obsevanjem je odvisno od oblikovanja natančnega načrta zdravljenja, ki bo zagotovil odmerek sevanja natančno do predpisanih ciljev. Natančnost tega načrta pa je le tolikšna, kot je točnost osnovnih izračunov odmerka. Za protonsko terapijo je natančen izračun odmerka še bolj kritičen, saj protoni zagotavljajo bolj konformno porazdelitev odmerka kot fotoni in so bolj občutljivi na anatomske spremembe.

Ko sem govoril na 1. raziskovalni delavnici protonske terapije klinike Mayo, Steve Jiang – profesor in direktor Medicinske umetne inteligence in avtomatizacije (MAIA) Laboratorij pri UT Southwestern Medical Center – opisal ključne zahteve za izračun odmerka protonov – in opisal načine, na katere bi globoko učenje lahko pomagalo doseči te cilje.

Poleg visoke natančnosti, je pojasnil Jiang, morajo biti tudi izračuni odmerka protonov hitri. Za načrtovanje zdravljenja to pomeni nekaj minut; za ponovno načrtovanje pred dajanjem frakcije v adaptivni radioterapiji, nekaj sekund. Če pogledamo naprej, bomo morda videli uvedbo prilagajanja v realnem času med izvajanjem zdravljenja. "Tega trenutno ne počnemo," je opozoril. »Toda na neki točki bomo morda želeli prilagoditi načrt zdravljenja v realnem času. Za takšno aplikacijo bomo potrebovali izračun odmerka v milisekundah.«

Trenutno obstajata dve glavni vrsti tehnik, ki se uporabljata za izračun odmerka, ki ju predstavljajo: algoritmi snopa svinčnika, ki so manj natančni, vendar precej hitri; in simulacije Monte Carlo (MC), ki so natančnejše, a običajno veliko počasnejše. "Toda potrebujemo natančnost in hitrost za izračun doze protonov," je dejal Jiang. "Torej obstaja neizpolnjena klinična potreba: razviti moramo algoritem, ki je hiter in natančen."

Kako je torej to mogoče doseči? Eden od pristopov je izboljšanje učinkovitosti izračunov MC z uporabo grafičnih procesnih enot (GPE) za pospešitev kode MC, na primer, ali globokega odstranjevanja šumov na podlagi učenja za zmanjšanje šuma, ki je del rezultatov, izračunanih z MC. Druga možnost je uporaba metod globokega učenja za izboljšanje natančnosti algoritmov s svinčnikovim žarkom. Končno je mogoče razviti nove, popolnoma drugačne algoritme, ki izpolnjujejo obe zahtevi; in globoko učenje bi lahko pomagalo raziskati to možnost.

Kombinacija hitrosti in natančnosti

GPE-pospešek simulacij MC je že mogoč. Pred desetimi leti (medtem ko je bil na UC San Diego in v sodelovanju z Mass General Hospital) je Jiang s sodelavci razvil gPMC, paket MC za hiter izračun doze protonov na GPE. To je omogočilo izračun tipičnega načrta zdravljenja s protonom z 1% negotovostjo v 10–20 s. Jiang ugotavlja, da lahko z današnjimi hitrejšimi grafičnimi procesorji gPMC ponudi še večjo učinkovitost.

V sodelovanju s kolegi iz laboratorija MAIA je Jiang razvil tudi MC denoiser, ki temelji na globokem učenju. Ustvarili so a vtičnik za globoko odmerjanje ki ga je mogoče dodati kateremu koli mehanizmu odmerjanja MC, ki temelji na GPU, da se omogoči izračun doze MC v realnem času. Denoiser deluje v samo 39 ms, celoten izračun odmerka pa traja le 150 ms. Jiang ugotavlja, da je bil vtičnik razvit za radioterapijo s fotonskim žarkom, vendar bi ga lahko uporabili tudi za odstranjevanje hrupa MC pri izračunih odmerka protonov.

Nato je Jiang opisal načine za uporabo tehnik globokega učenja neposredno za izračun odmerka. Poudaril je, da se to razlikuje od napovedovanja odmerka, ki predpostavlja razmerje med pacientovo anatomijo in njegovo optimalno porazdelitvijo odmerka ter uporablja to razmerje za izgradnjo napovednega modela. Po usposabljanju na podlagi podatkov iz preteklih zdravljenj istega mesta bolezni model napove optimalno porazdelitev odmerka za novega bolnika in to uporabi za usmerjanje načrtovanja zdravljenja. UT Southwestern že več kot dve leti klinično uporablja to vrsto napovedi odmerka, specifičnega za bolnika.

Toda izračun odmerka je več kot to. "Tukaj poskušamo izkoristiti razmerje med anatomijo bolnika in strojnimi parametri ter dejansko porazdelitvijo odmerka," je dejal Jiang. "Poznate anatomijo bolnika, poznate načrt zdravljenja, zdaj želite videti, kakšna je porazdelitev odmerka, torej je to izračun odmerka."

Jiangova ekipa je najprej razvila model izračuna odmerka, ki temelji na globokem učenju radioterapija s fotonskim žarkom. Model se usposobi z uporabo MC-izračunane porazdelitve odmerka za različne anatomije bolnikov in strojne parametre. Za vhodne podatke modela je ekipa uporabila CT skeniranje pacienta in porazdelitev odmerka sledenja žarkom za vsak žarek, pri čemer so strojni parametri kodirani v sledenje žarkom. "To olajša celoten proces globokega učenja in je dober način za vključitev fizike v globoko učenje," je opozoril Jiang.

Raziskovalci so uporabili podoben pristop za izračun protonske doze, z uporabo modela globokega učenja za povečanje natančnosti izračuna doze žarka svinčnika v primerjavi s simulacijami MC. Usposobili in preizkusili so model z uporabo porazdelitve odmerka žarka svinčnika in podatkov s platforme TOPAS MC za 290 primerov raka glave in vratu, jeter, prostate in pljuč. Za vsak načrt so usposobili model za napovedovanje porazdelitve doze MC iz odmerka žarka svinčnika.

Pristop je dosegel visoko raven ujemanja med pretvorjenim odmerkom in odmerkom MC. »V primerjavi s svinčnikovim žarkom opažamo velik napredek v natančnosti, učinkovitost pa je še vedno zelo visoka,« je dejal Jiang. Razviti model je mogoče dodati kliničnemu delovnemu toku načrtovanja zdravljenja s protonom, da se izboljša natančnost izračuna odmerka.

Jiang je poudaril tudi podobne raziskave, ki jih izvajajo druge skupine, vključno z DiscoGAN z univerze Wuhan, uporaba DKFZ umetne nevronske mreže za izračun protonske doze in algoritem za izračun doze milisekundne hitrosti, ki temelji na globokem učenju razvit na Univerzi za tehnologijo Delft.

Pomiritev uporabnikov

Medtem ko se globoko učenje morda zdi očitna pot naprej za izračun odmerka protonov, je Jiang opozoril, da se ljudje še vedno počutijo bolj udobno z uporabo fizikalno temelječih modelov, kot so algoritmi snopa svinčnika in simulacije MC. "Ko se je prvič pojavila zamisel o poglobljenem učenju za izračun odmerka, so imeli ljudje pomisleke," je pojasnil. »Ker temelji na podatkih in ne na fiziki, ne veste, kdaj bo odpovedalo; lahko pride do nepredvidljivih katastrofalnih okvar. In ker je črna skrinjica, ni preglednosti.”

Odgovor se lahko skriva v hibridnih modelih, kot so zgoraj opisani primeri, ki uporabljajo podatke o sledenju žarkov svinčnika ali žarkov kot vhodne podatke za model globokega učenja. Tukaj je fizika (parametri stroja) zakodirana v vhodne podatke, ki imajo že 80–90-odstotno natančnost. Globoko učenje lahko nato obravnava učinke, kot sta razpršenost in nehomogenost, da pridobi preostalih 20 % natančnosti, ki jo je zelo težko doseči z analitičnimi algoritmi. To mora zagotoviti želeno natančnost in učinkovitost.

"Pravzaprav mislim, da je to dobra ideja, saj lahko odpravi tudi nepredvidljive, katastrofalne napake," je zaključil Jiang. »Z rezultati bi se počutil veliko bolj udobno. Imeli bi tudi določeno stopnjo preglednosti, saj veste, da primarni učinek prvega reda temelji na fiziki, in to je pravilno.«

Pošta Globoko učenje omogoča hitre in natančne izračune doze protonov pojavil prvi na Svet fizike.

• Coinsmart. Najboljša evropska borza bitcoinov in kriptovalut.
• Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. PROST DOSTOP.
• CryptoHawk. Altcoin radar. Brezplačen preizkus.
• Vir: https://physicsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/