מהירות גישור ודיוק בטיפול בקרינה QA
בהנחיית פרופסור פו ג'ין, המחקר מתייחס לאתגר קריטי בטיפול בקרינה: איזון המהירות החישובית והדיוק של אימות מינון מבוסס EPID. EPID הופיע ככלי מפתח לאימות מינון בזמן אמת in vivo. עם זאת, סימולציית MC שנחשבת זמן רב כ"תקן הזהב" לחישוב מינון עומדת בפני דילמה: הגדלת מספר החלקיקים המדומים מבטיחה דיוק גבוה יותר אך במחיר של זמני חישוב ארוכים יותר באופן משמעותי, בעוד שהפחתת ספירת החלקיקים מציגה רעש מפריע שפוגע באמינות התוצאה.
טכנולוגיית MC-DL משולבת
כדי להתמודד עם אתגר זה, הצוות שילב את קוד ה-MC ARCHER המואץ ב-GPU עם הרשת העצבית SUNet – ארכיטקטורת למידה עמוקה מתוחכמת המתמחה ב-denoising. באמצעות מקרי IMRT של סרטן ריאות, הם יצרו לראשונה נתוני מינון שידור EPID רועשים עם ארבעה מספרי חלקיקים שונים (1×10⁶, 1×10⁷, 1×10⁸, 1×10⁹) באמצעות ARCHER. לאחר מכן, SUNet הוכשרה לשלול את נתוני מספר החלקיקים הנמוכים, כאשר מערך הנתונים של חלקיקים בגודל 1×10⁹ בעל נאמנות גבוהה משמש כנקודת ההתייחסות של תקן הזהב לפיקוח.
תוצאות ראויות לציון: הושגו מהירות ודיוק
המסגרת המשולבת MC-DL הפגינה ביצועים יוצאי דופן הן במהירות חישובית והן בדייקנות דוסימטרית. בעת עיבוד הנתונים הרועשים המקוריים של 1×10⁶‑-חלקיקים, SUNet denoising שיפר את מדד הדמיון המבני (SSIM) מ-0.61 ל-0.95 והעלה את קצב מעבר הגמא (GPR) מ-48.47% ל-89.10%. עבור מערך הנתונים של 1×10⁷-חלקיקים, המייצגים חילוף אופטימלי, התוצאות המנופחות השיגו SSIM של 0.96 ו-GPR של 94.35%, בעוד שהמקרה של 1×10⁸-חלקיקים הגיע ל-GPR של 99.55% לאחר העיבוד. שלב הסרת הרעש עצמו דרש רק 0.13-0.16 שניות, והפחית את זמן החישוב הכולל ל-1.88 שניות עבור רמת החלקיקים 1×10⁷-ול-8.76 שניות עבור רמת החלקיקים 1×10⁸ . התמונות המעוטרות הפגינו גרעיניות מופחתות במידה ניכרת, עם פרופילי מינון חלקים ששמרו על תכונות רלוונטיות קלינית – המאשר את הכדאיות המעשית של גישה זו ל-QA יעיל בהקרנות.
העצמת פרקטיקה קלינית ומחקר עתידי
התקדמות זו משפיעה במיוחד על ART מקוון, שבו אימות מינון מהיר חיוני כדי למזער את אי הנוחות של המטופל ולהפחית שינויים אנטומיים במהלך הטיפול. השיטה מציעה פתרון גמיש: חלקיקי 1×10⁷ מייצרים איזון אופטימלי בין מהירות ודיוק עבור תרחישים רגישים לזמן, בעוד שחלקיקים 1×10⁷ מספקים דיוק גבוה יותר למקרים תובעניים.
"על ידי שילוב הדיוק של סימולציית מונטה קרלו עם היעילות החישובית של למידה עמוקה, פיתחנו פתרון מעשי הנותן מענה לצורך הקליני הקריטי בהבטחת איכות מהירה ואמינה ספציפית למטופל" אמר פרופסור פו ג'ין. "טכנולוגיה זו לא רק משפרת את זרימות העבודה הקיימות של טיפול בקרינה, אלא גם מבססת בסיס ליישומים מתקדמים, כגון שחזור מינון תלת מימדי והטמעה רחבה יותר באתרים אנטומיים מגוונים."
הצוות מתכנן להרחיב את המודל לאתרי טיפול אחרים, לייעל עוד יותר את ארכיטקטורת SUNet ולחקור גישות נוספות של רשתות עצביות כדי לחדד את יכולות חיזוי המינון.
