Học sâu cho phép tính toán liều proton nhanh chóng và chính xác

Xạ trị thành công phụ thuộc vào việc tạo ra một kế hoạch điều trị chính xác sẽ cung cấp liều lượng bức xạ chính xác cho các mục tiêu đã định. Tuy nhiên, độ chính xác của kế hoạch này chỉ tốt bằng độ chính xác của các tính toán liều lượng cơ bản. Và đối với liệu pháp proton, việc tính toán liều lượng chính xác thậm chí còn quan trọng hơn, vì các proton mang lại sự phân bố liều lượng phù hợp hơn so với photon và nhạy cảm hơn với những thay đổi về mặt giải phẫu.

Phát biểu tại Hội thảo Nghiên cứu Liệu pháp Proton đầu tiên của Mayo Clinic, Steve Giang – giáo sư và giám đốc của Trí tuệ nhân tạo và tự động hóa y tế (MAIA) Phòng thí nghiệm tại Trung tâm Y tế Tây Nam UT – đã mô tả các yêu cầu chính của việc tính toán liều lượng proton – và mô tả các cách học sâu có thể giúp đạt được các mục tiêu này.

Jiang giải thích, bên cạnh độ chính xác cao, việc tính toán liều lượng proton cũng cần phải nhanh chóng. Để lập kế hoạch điều trị, điều này có nghĩa là một vài phút; để lập kế hoạch lại trước khi phân phối trong xạ trị thích ứng, một vài giây. Nhìn xa hơn về phía trước, chúng ta có thể thấy sự ra đời của tính năng thích ứng theo thời gian thực trong quá trình điều trị. “Chúng tôi không làm điều này ngay bây giờ,” anh ấy lưu ý. “Nhưng đến một lúc nào đó, chúng tôi có thể muốn điều chỉnh kế hoạch điều trị theo thời gian thực. Đối với loại ứng dụng đó, chúng tôi sẽ cần tính toán liều lượng tính bằng mili giây.”

Hiện nay, có hai loại kỹ thuật chính được sử dụng để tính toán liều lượng, được thể hiện bằng: thuật toán tia bút chì, kém chính xác hơn nhưng khá nhanh; và mô phỏng Monte Carlo (MC), chính xác hơn nhưng thường chậm hơn nhiều. “Nhưng chúng tôi cần độ chính xác và tốc độ để tính toán liều lượng proton,” Jiang nói. “Vì vậy, có một nhu cầu lâm sàng chưa được đáp ứng: chúng ta cần phát triển một thuật toán vừa nhanh vừa chính xác.”

Vì vậy, làm thế nào điều này có thể đạt được? Một cách tiếp cận là cải thiện hiệu quả tính toán MC, chẳng hạn như sử dụng các đơn vị xử lý đồ họa (GPU) để tăng tốc mã MC hoặc khử nhiễu dựa trên học sâu để giảm nhiễu vốn có trong các kết quả tính toán MC. Một lựa chọn khác là sử dụng các phương pháp học sâu để cải thiện độ chính xác của thuật toán chùm bút chì. Cuối cùng, có thể phát triển các thuật toán mới, hoàn toàn khác đáp ứng cả hai yêu cầu; và học sâu có thể giúp khám phá khả năng này.

Kết hợp tốc độ và độ chính xác

Khả năng tăng tốc GPU của mô phỏng MC đã có thể thực hiện được. Mười năm trước (khi còn ở UC San Diego và cộng tác với Bệnh viện Đa khoa Mass), Jiang và các đồng nghiệp đã phát triển gPMC, gói MC để tính toán liều lượng proton nhanh trên GPU. Điều này cho phép tính toán một kế hoạch xử lý proton điển hình với độ không đảm bảo 1% trong 10–20 giây. Jiang lưu ý rằng với GPU nhanh hơn hiện nay, gPMC có thể mang lại hiệu quả cao hơn nữa.

Làm việc với các đồng nghiệp tại Phòng thí nghiệm MAIA, Jiang cũng đã phát triển một bộ khử nhiễu MC dựa trên học tập sâu. Họ đã tạo ra một plugin liều sâu có thể được thêm vào bất kỳ công cụ đo liều lượng MC dựa trên GPU nào để cho phép tính toán liều lượng MC theo thời gian thực. Bộ khử nhiễu chỉ chạy trong 39 ms, với toàn bộ phép tính liều chỉ mất 150 ms. Jiang lưu ý rằng plugin được phát triển cho xạ trị chùm photon, nhưng cũng có thể được sử dụng để khử nhiễu MC trong tính toán liều proton.

Tiếp theo, Jiang mô tả các cách sử dụng trực tiếp các kỹ thuật học sâu để tính toán liều lượng. Ông nhấn mạnh rằng điều này khác với dự đoán liều lượng, giả định mối quan hệ giữa giải phẫu của bệnh nhân và phân phối liều lượng tối ưu của họ, đồng thời sử dụng mối quan hệ này để xây dựng mô hình dự đoán. Sau khi đào tạo về dữ liệu từ các phương pháp điều trị trước đây của cùng một vị trí bệnh, mô hình dự đoán phân phối liều tối ưu cho bệnh nhân mới và sử dụng điều này để hướng dẫn lập kế hoạch điều trị. UT Southwestern đã sử dụng loại dự đoán liều lượng dành riêng cho bệnh nhân này trên lâm sàng trong hơn hai năm nay.

Nhưng tính toán liều lượng là nhiều hơn thế này. Jiang cho biết: “Ở đây, mối quan hệ mà chúng tôi đang cố gắng khai thác là giữa giải phẫu bệnh nhân cộng với các thông số của máy và sự phân bổ liều lượng thực tế. “Bạn biết giải phẫu bệnh nhân, bạn biết kế hoạch điều trị, bây giờ bạn muốn xem phân phối liều lượng là gì, vì vậy đó là tính toán liều lượng.”

Nhóm của Jiang lần đầu tiên phát triển mô hình tính toán liều lượng dựa trên học sâu cho xạ trị chùm photon. Mô hình này được đào tạo bằng cách sử dụng phân phối liều được tính toán MC cho các thông số máy và giải phẫu bệnh nhân khác nhau. Đối với các đầu vào mô hình, nhóm đã sử dụng máy quét CT của bệnh nhân và phân bổ liều dò tia cho từng chùm tia, với các tham số máy được mã hóa trong quá trình dò ​​tia. “Điều này làm cho toàn bộ quá trình học sâu trở nên dễ dàng hơn và là một cách tốt để kết hợp vật lý vào học sâu,” Jiang lưu ý.

Các nhà nghiên cứu đã áp dụng một cách tiếp cận tương tự cho tính liều proton, sử dụng mô hình học sâu để nâng cao độ chính xác của tính toán liều lượng chùm tia bằng bút chì so với mô phỏng MC. Họ đã đào tạo và thử nghiệm mô hình bằng cách sử dụng dữ liệu và phân phối liều chùm tia bút chì từ nền tảng TOPAS MC, cho 290 trường hợp ung thư đầu và cổ, gan, tuyến tiền liệt và phổi. Đối với mỗi kế hoạch, họ huấn luyện mô hình để dự đoán sự phân bố liều lượng MC từ liều lượng chùm tia bút chì.

Cách tiếp cận đạt được mức độ thỏa thuận cao giữa liều chuyển đổi và liều MC. Jiang cho biết: “So với tia bút chì, chúng tôi thấy độ chính xác được cải thiện rất nhiều và hiệu quả vẫn rất cao. Mô hình đã phát triển có thể được thêm vào quy trình lâm sàng của việc lập kế hoạch điều trị bằng proton để cải thiện độ chính xác của việc tính toán liều lượng.

Jiang cũng nhấn mạnh nghiên cứu tương tự đang được thực hiện bởi các nhóm khác, bao gồm sàn nhảyGAN từ Đại học Vũ Hán, việc sử dụng của DKFZ mạng lưới thần kinh nhân tạo để tính toán liều lượng proton và thuật toán tính toán liều lượng tốc độ mili giây dựa trên học sâu được phát triển tại Đại học Công nghệ Delft.

Giữ cho người dùng yên tâm

Mặc dù học sâu có thể là cách rõ ràng để tính toán liều lượng proton, nhưng Jiang lưu ý rằng mọi người vẫn cảm thấy thoải mái hơn khi sử dụng các mô hình dựa trên vật lý như thuật toán chùm tia bút chì và mô phỏng MC. Anh ấy giải thích: “Khi ý tưởng học sâu để tính toán liều lượng lần đầu tiên xuất hiện, mọi người đã lo ngại. “Bởi vì nó dựa trên dữ liệu, không dựa trên vật lý, bạn không biết khi nào nó sẽ hỏng; có thể xảy ra những thất bại thảm khốc khó lường. Và bởi vì nó là một hộp đen nên không có sự minh bạch.”

Câu trả lời có thể nằm ở các mô hình kết hợp, chẳng hạn như các ví dụ được mô tả ở trên sử dụng dữ liệu dò tia hoặc tia bút chì làm đầu vào cho mô hình học sâu. Ở đây, vật lý (thông số máy) được mã hóa trong dữ liệu đầu vào, dữ liệu này đã có độ chính xác từ 80–90%. Học sâu sau đó có thể giải quyết các hiệu ứng như phân tán và không đồng nhất để đạt được độ chính xác 20% còn lại, điều rất khó đạt được bằng các thuật toán phân tích. Điều này sẽ cung cấp cả độ chính xác và hiệu quả mong muốn.

Jiang kết luận: “Tôi thực sự nghĩ rằng đây là một ý tưởng hay vì nó cũng có thể loại bỏ những thất bại thảm khốc, không thể đoán trước. “Tôi sẽ cảm thấy thoải mái hơn nhiều với kết quả. Ngoài ra, bạn sẽ có một số mức độ minh bạch, bởi vì bạn biết hiệu ứng chính bậc nhất dựa trên vật lý, và điều đó là chính xác.”

Các bài viết Học sâu cho phép tính toán liều proton nhanh chóng và chính xác xuất hiện đầu tiên trên Thế giới vật lý.

• Coinsmart. Sàn giao dịch Bitcoin và tiền điện tử tốt nhất Châu Âu.
• Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến ​​thức. TRUY CẬP MIỄN PHÍ.
• CryptoHawk. Radar Altcoin. Dùng thử miễn phí.
• Nguồn: https://physicsworld.com/a/deep-learning-enables-fast-and-accurate-proton-dose-calculations/