การเรียนรู้เชิงลึกช่วยให้สามารถคำนวณปริมาณโปรตอนได้อย่างรวดเร็วและแม่นยำ

การบำบัดด้วยรังสีที่ประสบความสำเร็จต้องอาศัยการสร้างแผนการรักษาที่แม่นยำซึ่งจะส่งปริมาณรังสีไปยังเป้าหมายที่กำหนดไว้อย่างแม่นยำ อย่างไรก็ตาม ความถูกต้องของแผนนี้ดีพอๆ กับความแม่นยำของการคำนวณขนาดยาพื้นฐานเท่านั้น และสำหรับการบำบัดด้วยโปรตอน การคำนวณขนาดยาที่แม่นยำนั้นสำคัญยิ่งกว่า เนื่องจากโปรตอนมีการกระจายขนาดยาที่สอดคล้องมากกว่าโฟตอน และไวต่อการเปลี่ยนแปลงทางกายวิภาคมากกว่า

การพูดที่การประชุมเชิงปฏิบัติการวิจัยการบำบัดด้วยโปรตอนครั้งที่ 1 ของ Mayo Clinic สตีฟ เจียง – ศาสตราจารย์และผู้อำนวยการ Medical Artificial Intelligence and Automation (ไมอา) ห้องปฏิบัติการที่ UT Southwestern Medical Center - อธิบายข้อกำหนดที่สำคัญของการคำนวณขนาดโปรตอน - และอธิบายวิธีที่การเรียนรู้เชิงลึกสามารถช่วยบรรลุเป้าหมายเหล่านี้

Jiang อธิบายว่านอกจากความแม่นยำในระดับสูงแล้ว การคำนวณปริมาณโปรตอนยังต้องรวดเร็วอีกด้วย สำหรับการวางแผนการรักษา นี่หมายถึงไม่กี่นาที สำหรับการวางแผนใหม่ก่อนที่จะส่งเศษส่วนในการฉายรังสีแบบปรับตัวได้ไม่กี่วินาที เมื่อมองไปข้างหน้า เราอาจเห็นการปรับแบบเรียลไทม์ระหว่างการรักษา “เราไม่ทำสิ่งนี้ในตอนนี้” เขากล่าว “แต่ในบางจุดเราอาจต้องการปรับแผนการรักษาแบบเรียลไทม์ สำหรับแอปพลิเคชันประเภทนั้น เราจะต้องมีการคำนวณปริมาณรังสีเป็นมิลลิวินาที”

ปัจจุบัน มีเทคนิคสองประเภทหลักที่ใช้สำหรับการคำนวณขนาดยา แสดงโดย: อัลกอริธึมลำแสงดินสอ ซึ่งมีความแม่นยำน้อยกว่าแต่ค่อนข้างเร็ว และการจำลองแบบมอนติคาร์โล (MC) ซึ่งมีความแม่นยำมากกว่าแต่โดยทั่วไปจะช้ากว่ามาก “แต่เราต้องการความแม่นยำและความเร็วในการคำนวณปริมาณโปรตอน” เจียงกล่าว “ดังนั้นจึงมีความต้องการทางคลินิกที่ไม่เป็นไปตามข้อกำหนด เราจำเป็นต้องพัฒนาอัลกอริทึมที่ทั้งรวดเร็วและแม่นยำ”

แล้วสิ่งนี้จะบรรลุผลได้อย่างไร? แนวทางหนึ่งคือการปรับปรุงประสิทธิภาพของการคำนวณ MC โดยใช้หน่วยประมวลผลกราฟิก (GPU) เพื่อเร่งโค้ด MC เช่น หรือการ denoising ตามการเรียนรู้เชิงลึกเพื่อลดสัญญาณรบกวนที่มีอยู่ในผลลัพธ์ที่คำนวณโดย MC อีกทางเลือกหนึ่งคือใช้วิธีการเรียนรู้เชิงลึกเพื่อปรับปรุงความแม่นยำของอัลกอริธึมลำแสงดินสอ ในที่สุด อาจเป็นไปได้ที่จะพัฒนาอัลกอริธึมใหม่ที่แตกต่างอย่างสิ้นเชิงซึ่งตรงตามข้อกำหนดทั้งสอง และการเรียนรู้อย่างลึกซึ้งสามารถช่วยสำรวจความเป็นไปได้นี้

ผสมผสานความเร็วและความแม่นยำ

การเร่งด้วย GPU ของการจำลอง MC เป็นไปได้แล้ว XNUMX ปีที่แล้ว (ขณะอยู่ที่ UC San Diego และร่วมกับ Mass General Hospital) Jiang และเพื่อนร่วมงานได้พัฒนา จีพีเอ็มซีแพ็คเกจ MC สำหรับการคำนวณปริมาณโปรตอนอย่างรวดเร็วบน GPU วิธีนี้ช่วยให้สามารถคำนวณแผนการบำบัดด้วยโปรตอนทั่วไปที่มีความไม่แน่นอน 1% ใน 10-20 วินาที Jiang ตั้งข้อสังเกตว่าด้วย GPU ที่เร็วขึ้นในปัจจุบัน gPMC อาจให้ประสิทธิภาพที่สูงขึ้นไปอีก

การทำงานร่วมกับเพื่อนร่วมงานที่ MAIA Lab นั้น Jiang ยังได้พัฒนา MC denoiser ที่เน้นการเรียนรู้เชิงลึกอีกด้วย พวกเขาสร้าง ปลั๊กอินปริมาณลึก ที่สามารถเพิ่มลงในเอ็นจิ้น MC dose ที่ใช้ GPU เพื่อเปิดใช้งานการคำนวณขนาดยา MC แบบเรียลไทม์ Denoiser ทำงานในเวลาเพียง 39 มิลลิวินาที โดยการคำนวณปริมาณรังสีทั้งหมดใช้เวลาเพียง 150 มิลลิวินาที Jiang ตั้งข้อสังเกตว่าปลั๊กอินนี้ได้รับการพัฒนาสำหรับการบำบัดด้วยรังสีโฟตอน แต่ยังสามารถใช้สำหรับ MC denoising ในการคำนวณปริมาณโปรตอน

ต่อไป Jiang ได้อธิบายวิธีการใช้เทคนิคการเรียนรู้เชิงลึกโดยตรงสำหรับการคำนวณขนาดยา เขาเน้นว่าสิ่งนี้แตกต่างจากการคาดการณ์ปริมาณรังสี ซึ่งถือว่ามีความสัมพันธ์ระหว่างกายวิภาคของผู้ป่วยกับการกระจายขนาดยาที่เหมาะสม และใช้ความสัมพันธ์นี้เพื่อสร้างแบบจำลองการทำนาย หลังจากการฝึกอบรมเกี่ยวกับข้อมูลจากการรักษาในอดีตของสถานที่เกิดโรคเดียวกัน แบบจำลองคาดการณ์การกระจายขนาดยาที่เหมาะสมที่สุดสำหรับผู้ป่วยรายใหม่ และใช้ข้อมูลนี้เพื่อเป็นแนวทางในการวางแผนการรักษา UT Southwestern ใช้การคาดคะเนปริมาณยาเฉพาะผู้ป่วยประเภทนี้ในทางคลินิกมานานกว่าสองปีแล้ว

แต่การคำนวณโดสมีมากกว่านี้ “ที่นี่ ความสัมพันธ์ที่เรากำลังพยายามหาประโยชน์คือระหว่างกายวิภาคของผู้ป่วยบวกกับพารามิเตอร์ของเครื่องและการกระจายขนาดยาจริง” เจียงกล่าว “คุณรู้จักกายวิภาคของผู้ป่วย คุณรู้แผนการรักษาแล้ว ตอนนี้คุณต้องการดูว่าการกระจายขนานยาคืออะไร ดังนั้นจึงเป็นการคำนวณขนานยา”

ทีมของ Jiang ได้พัฒนาแบบจำลองการคำนวณขนาดยาตามการเรียนรู้เชิงลึกสำหรับ รังสีบำบัดด้วยโฟตอนบีม. โมเดลนี้ได้รับการฝึกอบรมโดยใช้การแจกแจงขนาดยาที่คำนวณโดย MC สำหรับกายวิภาคของผู้ป่วยและพารามิเตอร์ต่างๆ ของเครื่อง สำหรับอินพุตของแบบจำลอง ทีมงานได้ใช้การสแกน CT ของผู้ป่วยและการกระจายปริมาณรังสีติดตามสำหรับแต่ละลำแสง โดยพารามิเตอร์เครื่องเข้ารหัสในการติดตามรังสี “สิ่งนี้ทำให้กระบวนการเรียนรู้เชิงลึกทั้งหมดง่ายขึ้น และเป็นวิธีที่ดีในการรวมฟิสิกส์เข้ากับการเรียนรู้เชิงลึก” Jiang กล่าว

นักวิจัยได้ใช้แนวทางที่คล้ายกันสำหรับ การคำนวณปริมาณโปรตอนโดยใช้แบบจำลองการเรียนรู้เชิงลึกเพื่อเพิ่มความแม่นยำในการคำนวณปริมาณลำแสงดินสอให้เท่ากับแบบจำลอง MC พวกเขาฝึกฝนและทดสอบแบบจำลองโดยใช้การแจกแจงปริมาณรังสีด้วยดินสอและข้อมูลจากแพลตฟอร์ม TOPAS MC สำหรับผู้ป่วยมะเร็งศีรษะและคอ ตับ ต่อมลูกหมาก และมะเร็งปอด 290 ราย สำหรับแต่ละแผน พวกเขาฝึกแบบจำลองเพื่อทำนายการกระจายปริมาณรังสี MC จากปริมาณลำแสงดินสอ

แนวทางดังกล่าวบรรลุข้อตกลงในระดับสูงระหว่างขนาดยาที่แปลงแล้วและขนาดยา MC “เมื่อเทียบกับลำแสงดินสอ เราเห็นการปรับปรุงอย่างมากในด้านความแม่นยำ และประสิทธิภาพก็ยังสูงมาก” เจียงกล่าว สามารถเพิ่มแบบจำลองที่พัฒนาแล้วลงในขั้นตอนการทำงานทางคลินิกของการวางแผนการบำบัดด้วยโปรตอนเพื่อปรับปรุงความแม่นยำในการคำนวณขนาดยา

เจียงยังเน้นย้ำถึงการวิจัยที่คล้ายคลึงกันโดยกลุ่มอื่น ๆ รวมถึง ดิสโก้GAN จากมหาวิทยาลัยหวู่ฮั่น DKFZ ใช้ โครงข่ายประสาทเทียม สำหรับการคำนวณปริมาณโปรตอนและ อัลกอริธึมการคำนวณปริมาณความเร็วมิลลิวินาทีตามการเรียนรู้เชิงลึก พัฒนาขึ้นที่มหาวิทยาลัยเทคโนโลยีเดลฟท์

ให้ผู้ใช้มั่นใจ

ในขณะที่การเรียนรู้เชิงลึกอาจดูเหมือนเป็นวิธีที่ชัดเจนในการคำนวณปริมาณโปรตอน Jiang ตั้งข้อสังเกตว่าผู้คนยังคงรู้สึกสบายใจมากขึ้นโดยใช้แบบจำลองทางฟิสิกส์ เช่น อัลกอริธึมลำแสงดินสอและการจำลอง MC “เมื่อแนวคิดของการเรียนรู้เชิงลึกสำหรับการคำนวณขนาดยาเกิดขึ้นครั้งแรก ผู้คนต่างกังวล” เขาอธิบาย “เพราะมันขับเคลื่อนด้วยข้อมูล ไม่ใช่ฟิสิกส์ คุณไม่รู้ว่าจะล้มเหลวเมื่อไหร่ อาจมีภัยพิบัติร้ายแรงที่คาดเดาไม่ได้ และเนื่องจากเป็นกล่องดำจึงไม่มีความโปร่งใส”

คำตอบอาจอยู่ในแบบจำลองไฮบริด เช่น ตัวอย่างที่อธิบายข้างต้นที่ใช้ข้อมูลลำแสงดินสอหรือการติดตามรังสีเป็นอินพุตสำหรับโมเดลการเรียนรู้เชิงลึก ที่นี่ ฟิสิกส์ (พารามิเตอร์เครื่อง) ถูกเข้ารหัสในข้อมูลที่ป้อนซึ่งมีความแม่นยำ 80–90% แล้ว การเรียนรู้เชิงลึกสามารถจัดการกับผลกระทบต่างๆ เช่น การกระจัดกระจายและความไม่สอดคล้องกัน เพื่อให้ได้ความแม่นยำ 20% ที่เหลืออยู่ ซึ่งทำได้ยากมากด้วยอัลกอริธึมการวิเคราะห์ สิ่งนี้ควรให้ทั้งความแม่นยำและประสิทธิภาพที่ต้องการ

“จริง ๆ แล้วฉันคิดว่านี่เป็นความคิดที่ดีเพราะมันสามารถขจัดความล้มเหลวที่คาดเดาไม่ได้และเป็นหายนะ” Jiang กล่าวสรุป “ฉันรู้สึกสบายใจกับผลลัพธ์มากขึ้น นอกจากนี้ คุณยังมีความโปร่งใสในระดับหนึ่ง เพราะคุณรู้ว่าเอฟเฟกต์หลักอันดับแรกที่มีพื้นฐานมาจากฟิสิกส์ และนั่นถูกต้อง”

โพสต์ การเรียนรู้เชิงลึกช่วยให้สามารถคำนวณปริมาณโปรตอนได้อย่างรวดเร็วและแม่นยำ ปรากฏตัวครั้งแรกเมื่อ โลกฟิสิกส์.

• คอยน์สมาร์ท การแลกเปลี่ยน Bitcoin และ Crypto ที่ดีที่สุดในยุโรป
• เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าฟรี
• คริปโตฮอว์ก เรดาร์ Altcoin ทดลองฟรี.
• ที่มา: https://physicsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/