บาคาร่าเว็บตรง การวางแผนรังสีบำบัดอัตโนมัติ: แนวทางการเรียนรู้แบบถ่ายโอนลึก

บาคาร่าเว็บตรง ไซต์มะเร็งที่ท้าทายอีกแห่ง – อีกหนึ่งการรักษาด้วยรังสีที่ยากต่อการวางแผน นักวิทยาศาสตร์จากศูนย์การแพทย์มหาวิทยาลัยดุ๊กและUNC Charlotteได้พัฒนารูปแบบการเรียนรู้แบบถ่ายโอนข้อมูลเชิงลึกที่ทำให้การวางแผนการฉายรังสีบำบัดเป็นไปโดยอัตโนมัติสำหรับมะเร็งบางชนิดที่วางแผนได้ยากเหล่านี้ พวกเขาตีพิมพ์วิธีการของพวกเขาในวิชาฟิสิกส์ในการแพทย์และชีววิทยา

ทำไมต้องถ่ายทอดการเรียนรู้?

เหวินเทา หวางแพทย์ประจำสาขาฟิสิกส์การแพทย์ที่ศูนย์การแพทย์มหาวิทยาลัยดุ๊ก เป็นนักศึกษาระดับปริญญาเอกเมื่อทำการวิจัยส่วนใหญ่ภายใต้การแนะนำของ แจ็ก กี้หวู่ โมเดลการเรียนรู้การถ่ายโอนเชิงลึกของ Wang จะสร้างแผนการบำบัดด้วยรังสีที่ปรับความเข้มข้น (IMRT) โดยอัตโนมัติสำหรับกรณีการฉายรังสีร่างกายต่อมหมวกไต (SBRT) โดยใช้รูปทรงที่ผู้ใช้จัดเตรียมและข้อจำกัดของปริมาณรังสี

เพื่อหลีกเลี่ยงไม่ให้ต้องรวบรวมข้อมูลคุณภาพสูงจำนวนมาก ซึ่งเป็นสิ่งที่ไม่ค่อยมีให้สำหรับการรักษา เช่น ต่อมหมวกไต ก่อนที่จะพัฒนาแบบจำลอง วังจึงหันไปถ่ายทอดการเรียนรู้ การโอนย้ายการเรียนรู้ลดจำนวนกรณีและเวลาที่ต้องใช้ในการฝึกโมเดลการเรียนรู้เชิงลึกโดยนำความรู้จากแบบจำลองที่ได้รับการฝึกมาบนชุดข้อมูลขนาดใหญ่และนำไปใช้กับชุดข้อมูลอื่นที่เกี่ยวข้องกัน

แบบจำลองการเรียนรู้การถ่ายโอนเชิงลึกได้รับการฝึกอบรมครั้งแรกเกี่ยวกับแผนการรักษาตับอ่อน จากนั้นจึงนำสิ่งที่ได้เรียนรู้มาใช้กับผู้ป่วยมะเร็งต่อมหมวกไต ทั้งมะเร็งตับอ่อนและมะเร็งต่อมหมวกไตต้องมีการวางแผนอย่างรอบคอบ ยกเว้นอวัยวะในทางเดินอาหารที่มีความไวต่อรังสี และเนื่องจากมะเร็งตับอ่อนและมะเร็งต่อมหมวกไตได้รับการรักษาโดยใช้มุมลำแสง การตั้งค่าลำแสง และข้อจำกัดของปริมาณรังสีที่ต่างกัน รูปแบบการเรียนรู้การถ่ายโอนเชิงลึกใดๆ จะต้องพิจารณาความแตกต่างของขนาดยาตามใบสั่งแพทย์และปฏิสัมพันธ์ระหว่างลำแสงต่อลำแสงที่เรียนรู้

Wang ใช้โครงข่ายประสาทเทียม (CNNs) 

สองเครือข่ายเพื่อสร้างแผนที่ fluence จากรูปทรงเรขาคณิตของผู้ป่วยโดยตรง CNN แรกทำนายปริมาณรังสีของ IMRT ทุกลำ ปริมาตรของปริมาณรังสีที่ได้รับจะถูกฉายลงบนแผนที่ขนาดยา 2 มิติ จากนั้นจึงใช้เป็นอินพุตสำหรับ CNN ที่สอง เครือข่ายที่สองนี้คาดการณ์แผนที่ fluence สำหรับลำแสง IMRT ทุกอัน โดยผ่านการเพิ่มประสิทธิภาพผกผัน กระบวนการที่สามารถยืดเวลาการวางแผนด้วยตนเองเป็นชั่วโมงหรือนานกว่านั้น จากนั้นจะนำแผนที่ fluence เข้าสู่ระบบการวางแผนการรักษาสำหรับการจัดลำดับ collimator หลายใบและการคำนวณขนาดยาขั้นสุดท้าย

“การศึกษานี้แสดงให้เห็นถึงความเป็นไปได้ของการใช้การเรียนรู้แบบถ่ายโอนเพื่อฝึกโมเดลการเรียนรู้เชิงลึกเพื่อสร้างแผน IMRT สำหรับ SBRT ต่อมหมวกไต” วังกล่าว “มันแสดงให้เห็นว่าเครื่องมือการเรียนรู้เชิงลึกที่ทรงพลัง เช่น การเรียนรู้แบบถ่ายโอน ช่วยให้การเรียนรู้ที่มีประสิทธิภาพสูงด้วยข้อมูลทางคลินิกที่หาได้น้อย”

การประเมินแบบจำลองการเรียนรู้เชิงลึก

หวางและทีมงานที่เหลือใช้แผน IMRT คุณภาพสูงเพื่อฝึกรูปแบบการเรียนรู้แบบถ่ายโอนลึก โครงงานพื้นฐานประกอบด้วยเคสตับอ่อน 100 เคส การฝึกอบรม การตรวจสอบ และการทดสอบแบบจำลองการเรียนรู้การถ่ายโอนได้ดำเนินการโดยใช้แผนต่อมหมวกไต 45 แผน รูปร่างถูกวาดโดย dosimetrists และแพทย์ แผนขั้นสุดท้ายที่ได้รับการปรับให้เหมาะสมที่สุดถูกสร้างขึ้นโดยใช้ระบบการวางแผนการรักษา Eclipse แต่แบบจำลองการเรียนรู้เชิงลึกซึ่งเขียนด้วยภาษา Python สามารถเชื่อมต่อกับระบบการวางแผนการรักษาเชิงพาณิชย์ใดๆ

โมเดลการเรียนรู้การถ่ายโอนเชิงลึกของนักวิทยาศาสตร์สร้างแผนได้ภายในเวลาไม่ถึงหนึ่งนาที ทีมประเมินแต่ละแผนโดยเปรียบเทียบจุดสิ้นสุด dosimetric จากแผนที่สร้างขึ้นด้วยแบบจำลองกับแผนทางคลินิกที่สร้างขึ้นด้วยตนเอง ผลการศึกษาพบว่าแผนการเรียนรู้เชิงลึกมีคะแนน

คุณภาพของแผนเข้าใกล้ 80–90% ของคะแนนจากแผนทางคลินิก

ข้อเสียอย่างหนึ่งของแนวทางนี้คือรูปแบบการเรียนรู้การถ่ายโอนลึกได้รับการออกแบบสำหรับกรณี IMRT ที่มีมุมกล้องคงที่ ในขณะที่แผนการรักษาที่ Duke มักใช้เทคนิคการบำบัดด้วยรังสีที่เรียกว่า VMAT แบบปรับปริมาตร ตรงกันข้ามกับ IMRT VMAT จะส่งปริมาณรังสีอย่างต่อเนื่องในขณะที่เครื่องบำบัดหมุน “สำหรับกรณีที่ท้าทายบางอย่าง แผนงานที่คาดการณ์ไว้อาจมีคุณภาพของแผนด้อยกว่าเล็กน้อยเมื่อเทียบกับแผนที่สร้างขึ้นด้วยตนเอง” Wang กล่าว

Yang Shengนักฟิสิกส์ทางการแพทย์ที่ Duke University Medical Center และผู้เขียนอีกคนหนึ่งในการศึกษานี้ ตั้งข้อสังเกตว่ารูปแบบการเรียนรู้การถ่ายโอนเชิงลึกสามารถเป็นแนวทางสำหรับเครื่องวัดปริมาณรังสีและช่วยให้พวกเขาได้รับแผนงานที่เหมาะสมที่สุดได้เร็วยิ่งขึ้น

“ด้วยพลังแห่งการเรียนรู้เชิงลึก เราสามารถประมวลผลข้อมูลภาพขนาดยาที่มีความจุสูงกว่าฮิสโทแกรมปริมาณขนาดยา ซึ่งช่วยให้เราสามารถคาดการณ์พารามิเตอร์การนำส่งเครื่องจักร หรือที่เรียกว่าแผนที่ fluence” Sheng อธิบายการเรียนรู้เชิงลึกช่วยให้สามารถวางแผนการฉายรังสีอัตโนมัติได้

“เรายังคงสามารถปรับแผนการเรียนรู้เชิงลึกด้วยตนเองได้ด้วยการเพิ่มประสิทธิภาพแบบผกผันโดยเริ่มจากแผนการเรียนรู้เชิงลึก” Wang กล่าวเสริม “ในอนาคต เราคาดว่าจะปรับปรุงประสิทธิภาพของแบบจำลองเพื่อให้แผนการเรียนรู้เชิงลึกสามารถแทนที่การวางแผนด้วยตนเองได้”

นักวิทยาศาสตร์เน้นว่าวิธีการของพวกเขาไม่ได้หมายถึงการแทนที่เครื่องวัดขนาดและนักฟิสิกส์ และการตัดสินใจขั้นสุดท้ายขึ้นอยู่กับทีมดูแล การประยุกต์ใช้การถ่ายโอนการเรียนรู้นี้สามารถใช้เพื่อปรับแบบจำลองในสถาบันต่างๆ ที่มีการกำหนดขนาดยาที่แตกต่างกัน รูปแบบการวางแผนและอื่น ๆ อีกมากมาย พวกเขากล่าว ประการแรก พวกเขากำลังวิเคราะห์แบบจำลองเพื่อทำความเข้าใจการกำหนดค่าและข้อจำกัดที่เหมาะสมยิ่งขึ้น

ทีมงานของ Baumberg กำลังมุ่งเน้นไปที่การพัฒนาโมเลกุลที่ดีขึ้น เสาอากาศอินฟราเรดกลางที่ดีขึ้น การตรวจจับแสงที่มองเห็นได้ดีขึ้น และการออกแบบที่กะทัดรัดยิ่งขึ้นเพื่อให้ระบบใช้งานได้จริงมากขึ้น ในมุมมองของเขา โมเลกุลที่ “ถูกต้อง” ที่จะใช้สำหรับการแปลงค่าที่สูงขึ้นยังคงเป็นคำถามเปิดอยู่ แม้ว่าระบบวงแหวนเบนซินสองวงแหวนในปัจจุบันจะมีเสถียรภาพมากที่สุดที่เขาและเพื่อนร่วมงานได้ศึกษามาในช่วงหกปีที่ผ่านมา ขณะนี้พวกเขากำลังใช้การเรียนรู้ของเครื่องเพื่อสำรวจตัวเลือกอื่นๆ อีกหลายล้านตัวเลือก ซึ่งทำให้ความพยายามนี้เป็นความร่วมมือแบบสหวิทยาการอย่างแท้จริงระหว่างผู้เชี่ยวชาญด้านนาโน- ทัศนศาสตร์ ทฤษฎีแม่เหล็กไฟฟ้า และการสร้างแบบจำลองควอนตัมโมเลกุล บาคาร่าเว็บตรง