การเรียนรู้เชิงลึกช่วยให้สามารถคำนวณปริมาณโปรตอนได้อย่างรวดเร็วและแม่นยำ

การเรียนรู้เชิงลึกช่วยให้สามารถคำนวณปริมาณโปรตอนได้อย่างรวดเร็วและแม่นยำ

การบำบัดด้วยรังสีที่ประสบความสำเร็จขึ้นอยู่กับการสร้างแผนการรักษาที่ถูกต้องซึ่งจะส่งปริมาณรังสีไปยังเป้าหมายที่กำหนดอย่างแม่นยำ อย่างไรก็ตาม ความแม่นยำของแผนนี้ดีพอๆ กับความแม่นยำของการคำนวณขนาดยาพื้นฐานเท่านั้น และสำหรับการบำบัดด้วยโปรตอน การคำนวณปริมาณรังสีที่แม่นยำมีความสำคัญยิ่งกว่า เนื่องจากโปรตอนมีการกระจายปริมาณรังสีที่สอดคล้องกันมากกว่าโฟตอน และมีความไวต่อการเปลี่ยนแปลงทางกายวิภาคมากกว่า

นอกจากความแม่นยำสูงแล้ว Jiang อธิบายว่าการคำนวณปริมาณ

โปรตอนต้องรวดเร็วเช่นกัน สำหรับการวางแผนการรักษาหมายถึงไม่กี่นาที สำหรับการวางแผนใหม่ก่อนการส่งเศษส่วนในการบำบัดด้วยรังสีแบบปรับตัว ไม่กี่วินาที มองไปข้างหน้า เราอาจเห็นการแนะนำของการปรับแบบเรียลไทม์ระหว่างการให้การรักษา “เราไม่ทำสิ่งนี้ในตอนนี้” เขาตั้งข้อสังเกต “แต่ในบางจุด เราอาจต้องการปรับแผนการรักษาแบบเรียลไทม์ สำหรับการใช้งานประเภทนั้น เราจะต้องคำนวณปริมาณยาเป็นมิลลิวินาที”

ปัจจุบัน มีเทคนิคหลักสองประเภทที่ใช้สำหรับการคำนวณปริมาณ ซึ่งแสดงโดย: อัลกอริทึมลำแสงดินสอ ซึ่งมีความแม่นยำน้อยกว่าแต่ค่อนข้างเร็ว; และการจำลองแบบมอนติคาร์โล (MC) ซึ่งแม่นยำกว่าแต่โดยทั่วไปแล้วจะช้ากว่ามาก “แต่เราต้องการความแม่นยำและรวดเร็วในการคำนวณปริมาณโปรตอน” เจียงกล่าว “ดังนั้นจึงมีความต้องการทางคลินิกที่ยังไม่ได้รับการตอบสนอง: เราจำเป็นต้องพัฒนาอัลกอริทึมที่ทั้งรวดเร็วและแม่นยำ”

แล้วจะสำเร็จได้อย่างไร? วิธีหนึ่งคือการปรับปรุงประสิทธิภาพของการคำนวณ MC โดยใช้หน่วยประมวลผลกราฟิก (GPU) เพื่อเร่งรหัส MC เป็นต้น หรือการดีนอยส์ที่ใช้การเรียนรู้เชิงลึกเพื่อลดสัญญาณรบกวนในผลลัพธ์ที่คำนวณโดย MC อีกทางเลือกหนึ่งคือการใช้วิธีการเรียนรู้เชิงลึกเพื่อปรับปรุงความแม่นยำของอัลกอริทึมลำแสงดินสอ ท้ายที่สุด อาจเป็นไปได้ที่จะพัฒนาอัลกอริทึมใหม่ที่แตกต่างกันโดยสิ้นเชิงซึ่งตรงตามข้อกำหนดทั้งสอง และการเรียนรู้เชิงลึกสามารถช่วยสำรวจความเป็นไปได้นี้ได้

Jiang ได้ทำงานร่วมกับเพื่อนร่วมงานที่ MAIA Lab และได้พัฒนา MC denoiser ที่ใช้การเรียนรู้เชิงลึก 

พวกเขาสร้างปลั๊กอินปริมาณรังสีลึกที่สามารถเพิ่มให้กับกลไกปริมาณ 

MC ที่ใช้ GPU เพื่อเปิดใช้งานการคำนวณปริมาณ MC แบบเรียลไทม์ ดีนัวเซอร์ทำงานในเวลาเพียง 39 มิลลิวินาที โดยที่การคำนวณปริมาณรังสีทั้งหมดใช้เวลาเพียง 150 มิลลิวินาที Jiang ตั้งข้อสังเกตว่าปลั๊กอินนี้ได้รับการพัฒนาสำหรับการรักษาด้วยรังสีโฟตอน แต่ยังสามารถใช้สำหรับ MC denoising ในการคำนวณปริมาณโปรตอน

จากนั้น Jiang ได้อธิบายวิธีใช้เทคนิคการเรียนรู้เชิงลึกโดยตรงสำหรับการคำนวณขนาดยา เขาย้ำว่าสิ่งนี้แตกต่างจากการคาดคะเนขนาดยา ซึ่งถือว่าความสัมพันธ์ระหว่างกายวิภาคของผู้ป่วยกับการกระจายขนาดยาที่เหมาะสมที่สุด และใช้ความสัมพันธ์นี้เพื่อสร้างแบบจำลองการทำนาย หลังจากการฝึกอบรมเกี่ยวกับข้อมูลการรักษาในอดีตของสถานที่เกิดโรคเดียวกัน แบบจำลองจะคาดการณ์การกระจายขนาดยาที่เหมาะสมที่สุดสำหรับผู้ป่วยรายใหม่ และใช้ข้อมูลนี้เพื่อเป็นแนวทางในการวางแผนการรักษา UT Southwestern ใช้การคาดคะเนขนาดยาเฉพาะผู้ป่วยประเภทนี้ในทางคลินิกมานานกว่าสองปีแล้ว

แต่การคำนวณขนาดยามีมากกว่านี้ “ที่นี่ ความสัมพันธ์ที่เรากำลังพยายามใช้ประโยชน์คือระหว่างกายวิภาคศาสตร์ของผู้ป่วยและพารามิเตอร์ของเครื่อง และการกระจายขนาดยาจริง” เจียงกล่าว “คุณรู้กายวิภาคของผู้ป่วย คุณรู้แผนการรักษา ตอนนี้คุณต้องการดูการกระจายของขนาดยา ดังนั้นมันจึงเป็นการคำนวณขนาดยา”

ทีมงานของ Jiang ได้พัฒนาแบบจำลองการคำนวณปริมาณรังสีที่ใช้การเรียนรู้เชิงลึกเป็นครั้งแรกสำหรับการรักษาด้วยรังสีโฟตอนบีม แบบจำลองนี้ได้รับการฝึกฝนโดยใช้การกระจายขนาดยาที่คำนวณโดย MC สำหรับลักษณะทางกายวิภาคของผู้ป่วยและพารามิเตอร์ต่างๆ ของเครื่อง สำหรับอินพุตแบบจำลอง ทีมงานใช้การสแกน CT ของผู้ป่วยและการกระจายปริมาณรังสีการติดตามด้วยรังสีสำหรับแต่ละลำแสง โดยมีพารามิเตอร์ของเครื่องที่เข้ารหัสในการติดตามรังสี “สิ่งนี้ทำให้กระบวนการเรียนรู้เชิงลึกทั้งหมดง่ายขึ้นและเป็นวิธีที่ดีในการรวมฟิสิกส์เข้ากับการเรียนรู้เชิงลึก” Jiang กล่าว

นักวิจัยได้ใช้วิธีการที่คล้ายกันในการคำนวณปริมาณโปรตอนโดยใช้โมเดลการเรียนรู้เชิงลึกเพื่อเพิ่มความแม่นยำในการคำนวณปริมาณรังสีของลำแสงดินสอจากการจำลอง MC พวกเขาฝึกฝนและทดสอบแบบจำลองโดยใช้การกระจายลำแสงดินสอและข้อมูลจากแพลตฟอร์ม TOPAS MC สำหรับผู้ป่วยมะเร็งศีรษะและคอ ตับ ต่อมลูกหมาก และมะเร็งปอด 290 ราย สำหรับแต่ละแผน พวกเขาฝึกแบบจำลองเพื่อทำนายการกระจายปริมาณ MC จากปริมาณลำแสงดินสอ

วิธีการนี้บรรลุข้อตกลงในระดับสูงระหว่างปริมาณที่แปลงแล้วและปริมาณ MC “เมื่อเทียบกับลำแสงดินสอ เราเห็นว่าความแม่นยำดีขึ้นอย่างมาก และประสิทธิภาพก็ยังสูงมาก” เจียงกล่าว แบบจำลองที่พัฒนาขึ้นนี้สามารถเพิ่มเข้าไปในเวิร์กโฟลว์ทางคลินิกของการวางแผนการรักษาด้วยโปรตอน เพื่อปรับปรุงความแม่นยำในการคำนวณปริมาณรังสี

Jiang ยังให้ความสำคัญกับงานวิจัยที่คล้ายกันซึ่งกำลังดำเนินการโดยกลุ่มอื่นๆ เช่นDiscoGANจากมหาวิทยาลัยหวู่ฮั่น การใช้โครงข่ายประสาทเทียม ของ DKFZ สำหรับการคำนวณปริมาณโปรตอน และอัลกอริทึมการคำนวณปริมาณรังสีความเร็วระดับมิลลิวินาทีที่ใช้การเรียนรู้เชิงลึกซึ่งพัฒนาขึ้นที่มหาวิทยาลัยเทคโนโลยีเดลฟต์

คำตอบอาจอยู่ในโมเดลแบบผสม เช่น ตัวอย่างที่อธิบายไว้ข้างต้นซึ่งใช้ลำแสงดินสอหรือข้อมูล Ray Tracing เป็นอินพุตสำหรับโมเดลการเรียนรู้เชิงลึก ที่นี่ ฟิสิกส์ (พารามิเตอร์ของเครื่องจักร) ถูกเข้ารหัสในข้อมูลอินพุตซึ่งมีความแม่นยำ 80–90% อยู่แล้ว การเรียนรู้เชิงลึกสามารถจัดการกับผลกระทบต่างๆ เช่น การกระจายและความไม่สม่ำเสมอเพื่อให้ได้ความแม่นยำ 20% ที่เหลือซึ่งเป็นเรื่องยากที่จะทำได้ด้วยอัลกอริทึมการวิเคราะห์ สิ่งนี้ควรให้ทั้งความแม่นยำและประสิทธิภาพที่ต้องการ

“ฉันคิดว่านี่เป็นความคิดที่ดี เพราะมันสามารถกำจัดความล้มเหลวที่คาดเดาไม่ได้และหายนะได้” Jiang กล่าวสรุป “ฉันรู้สึกสบายใจมากขึ้นกับผลลัพธ์ที่ได้ นอกจากนี้ คุณต้องมีความโปร่งใสในระดับหนึ่ง เพราะคุณทราบลำดับที่หนึ่งเอฟเฟกต์หลักซึ่งมีพื้นฐานมาจากฟิสิกส์ และนั่นก็ถูกต้อง”

แนะนำ : รีวิวซีรี่ย์เกาหลี | ลายสัก | รีวิวร้านอาหาร | โทรศัพท์มือถือ ราคาถูก | เรื่องย่อหนัง