กรอบการทำงานของ AI เอาชนะความท้าทายในการแบ่งส่วนสำหรับการรักษาด้วยรังสีแบบปรับตัวออนไลน์

กรอบการทำงานของ AI เอาชนะความท้าทายในการแบ่งส่วนสำหรับการรักษาด้วยรังสีแบบปรับตัวออนไลน์

ช่วยให้สามารถเปลี่ยนแปลงหรือปรับเปลี่ยนการรักษาเพื่อตอบสนองต่อข้อมูลเพิ่มเติมเช่น การลดน้ำหนักหรือการเปลี่ยนแปลงของปริมาตรเนื้องอก ซึ่งรวบรวมเกี่ยวกับผู้ป่วย ณ เวลาที่รับการรักษา การปรับแผนการรักษาด้วยวิธีนี้สามารถปรับปรุงผลลัพธ์ของผู้ป่วยได้  การรักษาที่ทำโดยไม่มีการปรับเปลี่ยนอาจทำให้ยาเกินเป้าหมายหรือให้ยาเกินขนาดต่ออวัยวะที่มีความเสี่ยง (OARs) เนื่องจากการถ่ายภาพ

สำหรับ ART 

เกิดขึ้นในขณะที่ผู้ป่วยนอนอยู่บนโซฟาสำหรับการรักษา ภาพที่ได้มาจะต้องจัดรูปร่างอย่างรวดเร็วและแม่นยำ อย่างไรก็ตาม ความเปรียบต่างของเนื้อเยื่ออ่อนที่ต่ำบนภาพ CT แบบคานกรวย (CBCT) ที่ได้รับระหว่าง ART ออนไลน์ อาจทำให้ยากต่อการวาดโครงสร้างที่แตกต่างกัน นอกจากนี้ยังมีโครงร่าง 

“มาตรฐานทองคำ” ที่จำกัดสำหรับการฝึกอบรมโมเดลการเรียนรู้เชิงลึกกรอบงานใหม่จัดการกับความท้าทายบางประการในการแบ่งกลุ่มภาพ CBCT สำหรับ ART ออนไลน์ โดยใช้แบบจำลองการเรียนรู้เชิงลึกเพื่อปรับแต่งรูปทรงที่ลงทะเบียนกับการวางแผน CT กรอบการทำงานนี้พัฒนาโดยนักวิจัย

เป็นโครงการแรกที่ใช้โมเดลการแบ่งกลุ่มการเรียนรู้เชิงลึกตามการลงทะเบียนเพื่อแบ่งกลุ่ม OARs ในมะเร็งศีรษะและคอ (อย่างน้อยหนึ่งการศึกษาก่อนหน้านี้ได้รวมเข้าด้วยกัน ข้อมูลทะเบียนการแบ่งกลุ่มมะเร็งทรวงอก)“เนื่องจากเราอยู่ในยุคของการพัฒนาแบบจำลองที่ขับเคลื่อนด้วยข้อมูลมากกว่า

แบบจำลองการวิเคราะห์แบบเดิม ความรู้ที่มีมาก่อนจึงมีความสำคัญ ในคลินิกรังสีรักษามีข้อมูลก่อนหน้ามากมาย การใช้ประโยชน์จากข้อมูลที่มีอยู่ก่อนหน้านี้เป็นแนวทางสำหรับการแบ่งส่วนที่ถูกต้องอย่างรวดเร็วและการพัฒนารูปแบบการวางแผนในการรักษาด้วยรังสี” ผู้เขียนอาวุโส รองศาสตราจารย์

ด้านมะเร็งวิทยารังสีที่มหาวิทยาลัยสแตนฟอร์ด กล่าวกรอบการแบ่งส่วนการเรียนรู้เชิงลึกที่แนะนำโดยการลงทะเบียน การลงทะเบียนอิมเมจเป็นองค์ประกอบแรกจากสององค์ประกอบในเฟรมเวิร์ก อัลกอริทึมการลงทะเบียนสร้างรูปทรงที่แพร่กระจายจากรูปทรงการวางแผนโดยการลงทะเบียน CT การวางแผน

ออนไลน์โดยใช้วิธี

การลงทะเบียนที่เข้มงวดหรือเปลี่ยนรูปได้ รูปร่างผลลัพธ์สำหรับแต่ละ OAR จะถูกป้อนเข้าสู่โมเดลการเรียนรู้เชิงลึกในรูปแบบไบนารีมาสก์ องค์ประกอบที่สองของเฟรมเวิร์กคือการแบ่งส่วนตามการเรียนรู้เชิงลึก แบบจำลองแสดงมาสก์ความน่าจะเป็นแปดช่องซึ่งประกอบด้วย OAR และ “พื้นหลัง” 

(เช่น ทุกอย่างที่ไม่ใช่) โมเดลได้รับการปรับให้เหมาะสมโดยลดฟังก์ชันการสูญเสีย Dice แบบสามมิติให้เหลือน้อยที่สุดทีมของ Gu ทดสอบเฟรมเวิร์กในชุดข้อมูลมะเร็งศีรษะและคอภายในองค์กรซึ่งประกอบด้วยผู้ป่วย 37 รายที่รับการรักษาในสถาบันแห่งเดียว ภาพ CBCT ทั้งหมดได้มาจากระบบภาพออนบอร์ด 

โดยใช้การตั้งค่าเครื่องเดียวกัน และรูปทรง CBCT ทั้งหมดได้รับการวาดโดยแพทย์คนเดียวกัน ผู้ป่วยรายใดรายหนึ่งอาจไม่มี OARs ครบชุดเนื่องจากการผ่าตัดหรือการรุกล้ำของเนื้องอก โมเดลการเรียนรู้เชิงลึกใช้เวลาน้อยกว่าหนึ่งวินาทีในการสร้างการแบ่งส่วนสุดท้ายของ OAR เมื่อมาพร้อมกับรูปทรง 

ที่ลงทะเบียน

เมื่อเปรียบเทียบกับการลงทะเบียนหรือการเรียนรู้เชิงลึกเพียงอย่างเดียว กรอบการแบ่งส่วนการเรียนรู้เชิงลึกที่มีคำแนะนำในการลงทะเบียนบรรลุการแบ่งกลุ่มที่แม่นยำยิ่งขึ้นโดยวัดโดยเมตริกระยะทางเฉลี่ย โครงร่างยังดูเหมือนจะไวต่อสิ่งประดิษฐ์ภาพน้อยกว่า เช่น ริ้วจากรากฟันเทียม

ช่วงเริ่มต้นมีแนวโน้มดีนักวิจัยอ้างว่ากรอบการทำงานของพวกเขา นอกเหนือจากการใช้ประโยชน์จากข้อมูลตำแหน่งเฉพาะของผู้ป่วยและความรู้ตามประชากรเกี่ยวกับขอบเขตของอวัยวะแล้ว ยังมีความเสถียรแม้จะมีข้อมูลการฝึกอบรมที่จำกัด”การศึกษาครั้งนี้มีความสำคัญ” Gu กล่าว 

“ประการแรก มันเป็นกรอบทั่วไป ประการที่สอง การแนะนำแนวคิดการแบ่งกลุ่มผู้ป่วยเฉพาะไม่เพียงแต่ช่วยลดความต้องการข้อมูลในการฝึกอบรมโมเดลการเรียนรู้เชิงลึก แต่ยังปรับปรุงความแม่นยำในการแบ่งกลุ่ม เนื่องจากโมเดลได้รับคำแนะนำจากข้อมูลเฉพาะผู้ป่วย”

นักวิจัยรับทราบถึงอุปสรรคที่พวกเขาต้องเผชิญในอนาคต การจัดการข้อมูลเป็นความท้าทายที่ไม่เคยมีมาก่อน เนื่องจากจำเป็นต้องมีการวาดโครงร่างด้วยตนเองสำหรับการตรวจสอบข้าม พวกเขากำลังดำเนินการทดสอบความทนทานเพิ่มเติมและการทดสอบความสามารถทั่วไปเพื่อดูว่าโมเดลมีประสิทธิภาพ

การทำงานเป็นอย่างไรในสถาบันต่างๆ พวกเขากำลังวางแผนการศึกษาในอนาคตอย่างเป็นระบบ และเนื่องจากคุณภาพของภาพ CBCT และโปรโตคอลการจัดโครงร่างอาจแตกต่างกันไปในแต่ละสถาบัน นักวิจัยจึงแนะนำให้แต่ละสถาบันดำเนินการสร้างแบบจำลองของตนเอง

“กรอบการลงทะเบียนแนะนำการเรียนรู้เชิงลึกที่นำเสนอจะช่วยให้นักวิจัยสามารถพัฒนาแบบจำลองที่รวมเอาความรู้เดิมเข้าไว้ด้วยกัน” Gu กล่าว “เราหวังว่าผลกระทบของการศึกษาจะมากกว่าการวิจัย หมายความว่าโมเดลที่ผ่านการฝึกอบรมสามารถแปลไปยังคลินิกเพื่อช่วยในการรักษาผู้ป่วย”

อาจกลายเป็นเรื่องง่ายเกินไปเนื่องจากความเสี่ยงที่หลากหลายที่พยายามรวมอยู่ในขณะนี้ “ฉันต้องการเห็นอุปกรณ์สื่อสารความเสี่ยงแบบหลายมิติมากกว่านี้ ดังนั้นบางทีคุณอาจมีระบบสัญญาณไฟจราจรหรือการให้คะแนนแบบห้าจุดในแต่ละประเด็น” รู้ว่านาฬิกาเป็นเครื่องดนตรีทื่อๆ แต่บอกว่านั่น

ก็เป็นความสวยงามของมันเช่นกัน สร้างการสนทนาในระดับสูงสุดของพลังและในห้องเรียนส่วนใหญ่ในท้องถิ่นนักฟิสิกส์ที่มีส่วนร่วม เป็นเรื่องจริงที่ประเด็นความเสี่ยงด้านนิวเคลียร์ได้รับความสนใจลดลงโดยรวม รวมทั้งในหมู่นักฟิสิกส์ด้วย “มีช่วงเวลาที่พิเศษมากระหว่างสงครามและอย่างน้อย 20 ปีหลังจากนั้น เมื่อนักฟิสิกส์มีบทบาทสำคัญในนโยบายสาธารณะ” รอสเนอร์กล่าว

credit: coachwebsitelogin.com assistancedogsamerica.com blogsbymandy.com blogsdeescalada.com montblanc–pens.com getthehellawayfromsalliemae.com phtwitter.com shoporsellgold.com unastanzatuttaperte.com servingversusselling.com