Deep learning möjliggör snabba och exakta protondosberäkningar

Framgångsrik strålbehandling förlitar sig på skapandet av en korrekt behandlingsplan som kommer att leverera stråldosen exakt till de föreskrivna målen. Noggrannheten i denna plan är dock bara så bra som noggrannheten i de underliggande dosberäkningarna. Och för protonterapi är noggrann dosberäkning ännu mer kritisk, eftersom protoner ger en mer konform dosfördelning än fotoner och är känsligare för anatomiska förändringar.

Talar vid Mayo Clinics första protonterapiforskningsworkshop, Steve Jiang – professor och chef för medicinsk artificiell intelligens och automation (MAIA) Laboratoriet vid UT Southwestern Medical Center – beskrev nyckelkraven för protondosberäkning – och beskrev sätt på vilka djupinlärning kan hjälpa till att uppnå dessa mål.

Förutom hög noggrannhet, förklarade Jiang, måste protondosberäkningar också vara snabba. För behandlingsplanering innebär detta några minuter; för omplanering före fraktionsleverans i adaptiv strålbehandling, några sekunder. Ser vi längre fram, kan vi se införandet av realtidsanpassning under behandlingsförlossningen. "Vi gör inte det här just nu," noterade han. ”Men någon gång kanske vi vill anpassa behandlingsplanen i realtid. För den typen av tillämpning kommer vi att behöva dosberäkning i millisekunder."

För närvarande finns det två huvudtyper av teknik som används för dosberäkning, representerade av: pennstrålealgoritmer, som är mindre exakta men ganska snabba; och Monte Carlo (MC) simuleringar, som är mer exakta men vanligtvis mycket långsammare. "Men vi behöver noggrannhet och hastighet för protondosberäkningar," sade Jiang. "Så det finns ett ouppfyllt kliniskt behov: vi måste utveckla en algoritm som är både snabb och exakt."

Så hur kan detta uppnås? Ett tillvägagångssätt är att förbättra effektiviteten av MC-beräkningar, genom att använda grafikprocessorer (GPU) för att accelerera MC-kod, till exempel, eller djupinlärningsbaserad nedtoning för att minska bruset som är inneboende i MC-beräknade resultat. Ett annat alternativ är att använda metoder för djupinlärning för att förbättra noggrannheten hos pennstrålealgoritmer. Slutligen kan det vara möjligt att utveckla nya, helt olika algoritmer som uppfyller båda kraven; och djupinlärning kan hjälpa till att utforska denna möjlighet.

Kombinera hastighet och noggrannhet

GPU-acceleration av MC-simuleringar är redan möjlig. För tio år sedan (medan han var på UC San Diego och i samarbete med Mass General Hospital) utvecklade Jiang och kollegor gPMC, ett MC-paket för snabb protondosberäkning på en GPU. Detta möjliggjorde beräkning av en typisk protonbehandlingsplan med 1 % osäkerhet på 10–20 s. Jiang noterar att med dagens snabbare GPU:er kan gPMC erbjuda ännu högre effektivitet.

Genom att arbeta med kollegor på MAIA Lab har Jiang också utvecklat en djupinlärningsbaserad MC-denoiser. De skapade en djupdosplugin som kan läggas till vilken GPU-baserad MC-dosmotor som helst för att möjliggöra MC-dosberäkning i realtid. Denoiser går på bara 39 ms, och hela dosberäkningen tar bara 150 ms. Jiang noterar att pluginet utvecklades för fotonstrålebehandling, men kunde också användas för MC-denoising i protondosberäkningar.

Därefter beskrev Jiang sätt att använda djupinlärningstekniker direkt för dosberäkning. Han betonade att detta skiljer sig från dosprediktion, som förutsätter ett samband mellan en patients anatomi och deras optimala dosfördelning, och använder detta förhållande för att bygga en prediktiv modell. Efter träning på data från historiska behandlingar av samma sjukdomsställe förutsäger modellen en optimal dosfördelning för den nya patienten och använder detta för att vägleda behandlingsplaneringen. UT Southwestern har använt denna typ av patientspecifik dosprediktion kliniskt i över två år nu.

Men dosberäkning är mer än så här. "Här är förhållandet vi försöker utnyttja mellan patientens anatomi plus maskinparametrar och den faktiska dosfördelningen," sa Jiang. "Du känner till patientens anatomi, du känner till behandlingsplanen, nu vill du se vad som är dosfördelningen, så det är en dosberäkning."

Jiangs team utvecklade först den djupa inlärningsbaserade dosberäkningsmodellen för fotonstrålebehandling. Modellen tränas med hjälp av MC-beräknade dosfördelningar för olika patientanatomier och maskinparametrar. För modellinmatningarna använde teamet patientens CT-skanning och strålspårningsdosfördelningen för varje stråle, med maskinparametrar kodade i strålspårningen. "Detta gör hela den djupa inlärningsprocessen lättare och är ett bra sätt att införliva fysik i den djupa inlärningen," noterade Jiang.

Forskarna tillämpade ett liknande tillvägagångssätt för protondosberäkning, med hjälp av en modell för djupinlärning för att öka noggrannheten för beräkning av pennstråledos till den för MC-simuleringar. De tränade och testade modellen med hjälp av dosfördelningar med penna och data från TOPAS MC-plattformen, för 290 fall av huvud- och halscancer, lever, prostata och lungcancer. För varje plan tränade de modellen för att förutsäga MC-dosfördelningen från pennstråledosen.

Tillvägagångssättet uppnådde höga nivåer av överensstämmelse mellan den konverterade dosen och MC-dosen. "Jämfört med pennstråle ser vi en enorm förbättring av noggrannheten, och effektiviteten är fortfarande mycket hög", sa Jiang. Den utvecklade modellen kan läggas till det kliniska arbetsflödet av protonbehandlingsplanering för att förbättra dosberäkningsnoggrannheten.

Jiang lyfte också fram liknande forskning som pågår av andra grupper, inklusive DiscoGAN från Wuhan University, DKFZ:s användning av Artificiellt nervsystem för protondosberäkning och djupinlärningsbaserad millisekundshastighetsdosberäkningsalgoritm utvecklad vid Delfts tekniska universitet.

Håller användarna lugna

Även om djupinlärning kan tyckas vara den självklara vägen framåt för protondosberäkning, noterade Jiang att människor fortfarande känner sig mer bekväma med att använda fysikbaserade modeller som pennstrålealgoritmer och MC-simuleringar. "När idén om djupinlärning för dosberäkning först kom ut, hade folk oro," förklarade han. "Eftersom det är datadrivet, inte fysikbaserat, vet du inte när det kommer att misslyckas; det kan finnas oförutsägbara katastrofala misslyckanden. Och eftersom det är en svart låda finns ingen insyn.”

Svaret kan ligga i hybridmodeller, som exemplen som beskrivs ovan som använder pennstråle- eller strålspårningsdata som indata till en djupinlärningsmodell. Här kodas fysiken (maskinparametrarna) i indata, som redan har en noggrannhet på 80–90 %. Deep learning kan sedan ta itu med effekter som spridning och inhomogenitet för att få de återstående 20 % noggrannhet som är mycket svår att uppnå med analytiska algoritmer. Detta bör ge både önskad noggrannhet och effektivitet.

"Jag tycker faktiskt att det här är en bra idé eftersom det också kan eliminera oförutsägbara, katastrofala misslyckanden," avslutade Jiang. "Jag skulle känna mig mycket mer bekväm med resultaten. Du skulle också ha en viss grad av transparens, eftersom du vet att den första ordningens primära effekt som finns där är fysikbaserad, och det är korrekt.”

Posten Deep learning möjliggör snabba och exakta protondosberäkningar visades först på Fysikvärlden.

• Myntsmart. Europas bästa bitcoin- och kryptobörs.
• Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. FRI TILLGÅNG.
• CryptoHawk. Altcoin radar. Gratis provperiod.
• Källa: https://physicsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/