טיפול בקרינה 05.01.2021

האם ניתן לחזות מנות קרינה לגידולים ממאירים בהתבסס על אנטומיית החולים?

החוקרים עשו שימוש ברשתות למידה ממוחשבת כדי לחזות באופן מדויק מנות קרינה צפויות במספר טכניקות קרינה לטיפול בגידולים

שימוש ברשתות למידה ממוחשבת לפני ביצוע טיפול בקרינה עשוי להוביל לשימוש בשיטות טיפול יותר יעילות. מחקר שפורסם ב-radiology & oncology בדק את האפשרות לחזות מנות קרינה (photon and proton dose distributions) בהתבסס על אנטומיית החולים. כמו כן, המחקר בדק את השימוש הקליני באמצעי החיזוי בגידולים תוך התמקדות בגידולים ממאירים באזור הבטן בילדים.

במחקר נכלל מידע מ-80 חולים עםneuroblastoma או wilm’s tumor. שיטות ההקרנה בהן השתמשו היו Pencil beam scanning) PBS) אשר הוגדרה ל-5 mm/3% ו-volumetric modulated arc therapy) VMAT) אשר הוגדרה ל-5 mm. השיטות הותאמו לנפח הפנימי הנדרש  (internal target volume, ITV). רשתות תלת ממדיותpatch-based U-net networks אומנו לחזות חלוקת קרינה של PBS ו-VMAT מנות קרינה, תכנון computed tomography, ITV מבנה החוליות ומיקום איברים בסיכון של 60 חולים שימשו לאימון המערכת בעזרת 5-fold cross validation.

תפקוד הרשת הוערך על ידי חישוב השגיאה היחסית בין כמות הקרינה שבוצעה וכמות הקרינה החזויה בפרמטרים של היסטוגרמת מנת קרינה-נפח (dose-volume histogram, DVH) עבור 20 חולים. בנוסף, ההפרש בין ממוצע הקרינה לאיברים בסיכון בין טכניקות שונות חושב בעזרת ההפרש בין כמות הקרינה שבוצעה וכמות הקרינה החזויה תוך התחשבות בשתי השיטות אשר נבדקו ΔDmean = DVMAT-DPBS.

על מנת להעריך את דיוק המערכת מול אופן פעולה אנושי, שני רדיולוגים בעלי התמחות באונקולוגיה ביצעו בדיקה עיוורת של ההפרש בין PBS ל-VMAT בהתבסס על תוצאות חזויות או תוצאות שבוצעו של ΔDmean.

ממוצע ההפרש של DVH בין כמות הקרינה החזויה לזו שבוצעה היה קטן מ-16% הן עבור PBS והן עבור VMAT. הרשתות חישבו את הפרש הקרינה של האיבר בסיכון עם דיוק של 98%. הרשתות בחרו טכניקה אופטימלית זהה לפי החיזוי אשר תאמה לכמות הקרינה אשר בוצעה (ΔDmean) ב-18 מתוך 20 חולים.

ההיתכנות של שימוש ברשתות למידה ממחושבות עבור חלוקות קרינה שונות (photon and proton dose distributions) בילדים תוך התמקדות במחלות ממאירות באיזו הבטן הוכחה כאפשרית. רשתות אלו מאפשרות ייצוג חזותי של כמות הקרינה הצפויה ויכולות לסייע בזיהוי טכניקת הטיפול הטובה ביותר כאשר ניסיון/משאבים אינם זמינים.

מקור:

Guerreiro, F., Seravalli, E., Janssens, G., Maduro, J., Knopf, A., & Langendijk, J. et al. (2020). Deep learning prediction of proton and photon dose distributions for paediatric abdominal tumours. Radiotherapy And Oncology, 156, 36-42. doi: 10.1016/j.radonc.2020.11.026

נושאים קשורים:  מחקרים,  רשתות למידה ממוחשבת,  גידולים ממאירים,  טיפול בקרינה
תגובות