Глибоке навчання дає змогу швидко і точно обчислювати дозу протонів

Успішна променева терапія залежить від створення точного плану лікування, який забезпечить дозу радіації точно до встановлених цілей. Точність цього плану, однак, настільки ж хороша, як і точність базових розрахунків дози. А для протонної терапії точний розрахунок дози ще важливіший, оскільки протони забезпечують більш конформний розподіл дози, ніж фотони, і більш чутливі до анатомічних змін.

Виступаючи на першому дослідницькому семінарі клініки Майо з протонної терапії, Стів Цзян – професор і директор Медичного штучного інтелекту та автоматизації (МАІА) Лабораторія в Південно-західному медичному центрі UT – описала ключові вимоги до розрахунку дози протонів – і описала шляхи, за допомогою яких глибоке навчання може допомогти досягти цих цілей.

Окрім високої точності, пояснив Цзян, обчислення дози протонів також має бути швидким. Для планування лікування це означає кілька хвилин; для перепланування перед доставкою фракції в адаптивній променевій терапії кілька секунд. Заглядаючи в майбутнє, ми можемо побачити впровадження адаптації в режимі реального часу під час лікування. «Зараз ми цього не робимо», — зазначив він. «Але в якийсь момент ми можемо захотіти адаптувати план лікування в режимі реального часу. Для такого застосування нам знадобиться обчислення дози за мілісекунди».

В даний час існує два основних типи методик, що використовуються для розрахунку дози, представлені: алгоритмами пучка олівця, які менш точні, але досить швидкі; і моделювання за методом Монте-Карло (MC), які точніші, але зазвичай набагато повільніші. «Але нам потрібна точність і швидкість для розрахунків протонної дози», — сказав Цзян. «Тож існує незадоволена клінічна потреба: нам потрібно розробити алгоритм, який буде швидким і точним».

Отже, як цього можна досягти? Одним із підходів є підвищення ефективності обчислень MC за допомогою графічних процесорів (GPU) для прискорення коду MC, наприклад, або глибоке усунення шумів на основі навчання для зменшення шуму, притаманного результатам обчислень MC. Іншим варіантом є використання методів глибокого навчання для підвищення точності алгоритмів пучка олівця. Нарешті, можливо, можна розробити нові, зовсім інші алгоритми, які відповідають обом вимогам; і глибоке навчання може допомогти вивчити цю можливість.

Поєднання швидкості та точності

GPU-прискорення моделювання MC вже можливо. Десять років тому (перебуваючи в Каліфорнійському університеті в Сан-Дієго та у співпраці з Mass General Hospital) Цзян і його колеги розробили gPMC, пакет MC для швидкого розрахунку дози протонів на GPU. Це дозволило розрахувати типовий план протонної обробки з 1% невизначеністю за 10–20 с. Цзян зазначає, що завдяки сучасним швидшим графічним процесорам gPMC може запропонувати навіть вищу ефективність.

Працюючи з колегами з лабораторії MAIA, Цзян також розробив дешумувальник MC на основі глибокого навчання. Вони створили а плагін глибокої дози який можна додати до будь-якого двигуна MC-дози на основі графічного процесора, щоб забезпечити розрахунок MC-дози в реальному часі. Дешумизатор працює лише за 39 мс, а повний розрахунок дози займає лише 150 мс. Цзян зазначає, що плагін був розроблений для променевої терапії фотонним променем, але також може використовуватися для зменшення шуму MC у розрахунках дози протонів.

Далі Цзян описав способи використання методів глибокого навчання безпосередньо для розрахунку дози. Він підкреслив, що це відрізняється від прогнозування дози, яке передбачає зв’язок між анатомією пацієнта та його оптимальним розподілом дози, і використовує цей зв’язок для побудови прогностичної моделі. Після навчання на даних про минуле лікування тієї самої локалізації захворювання модель прогнозує оптимальний розподіл дози для нового пацієнта та використовує це для планування лікування. UT Southwestern уже понад два роки клінічно використовує цей тип прогнозування дози для кожного пацієнта.

Але розрахунок дози - це більше, ніж це. «Тут зв’язок, який ми намагаємося використати, полягає між анатомією пацієнта плюс параметрами машини та фактичним розподілом дози», — сказав Цзян. «Ви знаєте анатомію пацієнта, ви знаєте план лікування, тепер ви хочете побачити, який розподіл дози, тож це розрахунок дози».

Команда Цзяна вперше розробила модель розрахунку дози на основі глибокого навчання фотонно-променева терапія. Модель навчається за допомогою розрахованих MC розподілів дози для різних анатомічних структур пацієнтів і параметрів апарату. Для вхідних даних для моделі команда використовувала КТ пацієнта та розподіл дози трасування променів для кожного променя з машинними параметрами, закодованими в трасуванні променів. «Це полегшує весь процес глибокого навчання та є хорошим способом включити фізику в глибоке навчання», — зазначив Цзян.

Дослідники застосували аналогічний підхід для розрахунок дози протонів, використовуючи модель глибокого навчання, щоб підвищити точність розрахунку дози пучка олівцем до точності моделювання MC. Вони навчили та протестували модель, використовуючи розподіл дози пучка олівця та дані з платформи TOPAS MC для 290 випадків раку голови та шиї, печінки, простати та легенів. Для кожного плану вони навчили модель передбачати розподіл дози MC на основі дози пучка олівця.

Підхід досяг високого рівня узгодженості між конвертованою дозою та дозою MC. «Порівняно з олівцевим променем ми бачимо величезне покращення точності, а ефективність залишається дуже високою», — сказав Цзян. Розроблена модель може бути додана до клінічного робочого процесу планування протонного лікування для підвищення точності розрахунку дози.

Цзян також зазначив, що подібні дослідження проводяться іншими групами, в тому числі ДискоГАН з Уханьського університету, використання DKFZ штучні нейронні мережі для розрахунку дози протонів і алгоритм розрахунку дози мілісекундної швидкості на основі глибокого навчання розроблений у Делфтському технологічному університеті.

Заспокоєння користувачів

Хоча глибоке навчання може здатися очевидним шляхом уперед для розрахунку дози протонів, Цзян зазначив, що люди все ще відчувають себе комфортніше, використовуючи моделі на основі фізики, такі як алгоритми пучка олівця та моделювання MC. «Коли вперше з’явилася ідея глибокого навчання для розрахунку дози, у людей були занепокоєння», — пояснив він. «Оскільки він базується на даних, а не на фізиці, ви не знаєте, коли він вийде з ладу; можуть бути непередбачувані катастрофічні збої. І оскільки це чорний ящик, прозорості немає».

Відповідь може полягати в гібридних моделях, таких як описані вище приклади, які використовують дані пучка олівця або трасування променів як вхідні дані для моделі глибокого навчання. Тут фізика (параметри машини) закодована у вхідних даних, які вже мають точність 80–90%. Потім глибоке навчання може врахувати такі ефекти, як розкид і неоднорідність, щоб отримати решту 20% точності, чого дуже важко досягти за допомогою аналітичних алгоритмів. Це має забезпечити як бажану точність, так і ефективність.

«Насправді я вважаю, що це гарна ідея, оскільки вона також може усунути непередбачувані, катастрофічні збої», — підсумував Цзян. «Я почувався б набагато комфортніше з результатами. Крім того, у вас буде певний ступінь прозорості, тому що ви знаєте, що первинний ефект першого порядку, який існує, заснований на фізиці, і це правильно».

Повідомлення Глибоке навчання дає змогу швидко і точно обчислювати дозу протонів вперше з'явився на Світ фізики.

• Coinsmart. Найкраща в Європі біржа біткойн та криптовалют.
• Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. БЕЗКОШТОВНИЙ ДОСТУП.
• CryptoHawk. Альткойн Радар. Безкоштовне випробування.
• Джерело: https://physicsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/