Prediction of Multileaf Collimator Leaf Positions Using a Hybrid BKA– Neural Network Model for Radiotherapy Delivery Accuracy

يُعد العلاج الإشعاعي أداة قوية لعلاج السرطان، حيث يستخدم حزماً عالية الطاقة لتدمير الخلايا الخبيثة مع الحفاظ على الأنسجة السليمة. ولجعل هذا العلاج دقيقاً، يستخدم الأطباء جهازاً يسمى الموّجه متعدد الأوراق (multileaf collimator)، والذي يعمل كغالق ديناميكي مكون من العديد من الأوراق المعدنية الرقيقة. تتحرك هذه الأوراق للداخل والخارج لتشكيل الحزمة، مما ينحت مساراً مخصصاً يطابق شكل الورم تماماً. والهدف هو إيصال جرعة قاتلة للسرطان مع ترك الأعضاء المحيطة دون مساس. ومع ذلك، فإن الآلات ليست مثالية؛ فتماماً كما قد يعلق الغالق الميكانيكي أو يتأخر قليلاً، يمكن لهذه الأوراق المعدنية أحياناً أن تتحرك إلى موضع يختلف بجزء من المليمتر عن المكان الذي خططت له الحاسوب. وفي عالم الإشعاع، يمكن لخطأ ضئيل قدره مليمتر واحد أن يغير الجرعة التي يتلقاها المريض، مما قد يقلل من فعالية العلاج أو يضر بالأنسجة السليمة. ولهذا السبب، فإن ضمان وجود الأوراق في المكان الصحيح بالضبط في اللحظة المناسبة يمثل تحدياً حاسماً لفيزيائيي الطب.

لقد حاول الباحثون لفترة طويلة التنبؤ بهذه التحركات الضئيلة قبل حدوثها، آملين في تصحيحها مسبقاً. وقد اختبروا طرقاً حاسوبية متنوعة، بما في ذلك الشبكات العصبية القياسية، وهي أنظمة تحاكي قدرة الدماغ البشري على التعلم من الأنماط. وبينما يمكن لهذه الأنظمة التعلم، إلا أنها غالباً ما تجد صعوبة في أن تكون سريعة ودقيقة في آن واحد، خاصة عند محاولة التنبؤ بموضع كل ورقة على حدة في آلة معقدة. وتقدم دراسة جديدة أجراها "جون ليف" وزملاؤه نهجاً مختلفاً يجمع بين شبكة عصبية قياسية وطريقة بحث مستوحاة من الطبيعة تسمى "خوارزمية طائر الحدأة سوداء الجناح" (Black-winged Kite Algorithm). تحاكي هذه الخوارزمية سلوك الصيد لطائر جارح محدد، مستخدمة أنماط بحثه الفعالة لإيجاد أفضل الإعدادات الأولية للنموذج الحاسوبي. ومن خلال استخدام هذه الطريقة، هدف الباحثون إلى إنشاء نظام يمكنه التنبؤ بالموقع الدقيق للأوراق بدقة وسرعة أكبر بكثير من الطرق السابقة.

اختبر الفريق نموذجهم الجديد باستخدام بيانات من خمسين خطة علاج سرطاني واقعية، شملت أوراماً في الرأس والرقبة، والصدر، والبطن. وقد قاموا بتغذية الحاسوب بثلاثة عشر نوعاً مختلفاً من المعلومات من سجلات الآلة، مثل زاوية مصدر الإشعاع، وسرعة الأوراق، والمواضع المخطط لها. وكان الهدف هو معرفة ما إذا كان النموذج يستطيع تخمين المكان الذي ستستقر فيه الأوراق بالفعل عندما تطلق الآلة الإشعاع. كانت النتائج مذهلة؛ فقد تنبأ النموذج الجديد، الذي أطلقوا عليه اسم BKA-BPNN، بمواضع الأوراق بمتوسط خطأ قدره 0.002 decimal 0026 مليمتر فقط. ولوضع هذا في المنظور، فإن الخطأ كان صغيراً جداً لدرجة أن الموضع المتوقع يكاد لا يختلف عن الموضع الفعلي، مع ارتباط عالٍ جداً يكاد يكون مثالياً. وعند مقارنة ذلك بالشبكات العصبية القياسية القديمة، قلل النموذج الجديد الخطأ بنسبة تقارب 90 بالمئة. كما أدى أداءً أفضل بكثير من الطرق المتقدمة الأخرى التي تستخدم تقنيات تحسين مختلفة، حيث خفض الخطأ بنسبة تقارب 40 بالمئة مقارم البديل التالي الأفضل.

وبعيداً عن كون النموذج الجديد أكثر دقة فحسب، فقد كان أيضاً أسرع بكثير. فبينما استغرقت بعض الأنظمة المنافسة أكثر من ساعة لمعالجة البيانات، أتم نموذج "الحدأة سوداء الجناح" مهمته في أقل من دقيقة. وهذه السرعة أمر بالغ الأهمية لأنها تعني إمكانية استخدام النظام في الوقت الفعلي أو قبيل بدء العلاج للتحقق من الأخطاء. ووجد الباحثون أن النموذج يعمل بشكل ثابت وجيد عبر أعداد مختلفة من الأوراق وأنواع مختلفة من خطط العلاج، مما يشير إلى أنه أداة قوية لا تحتاج إلى إعادة تدريب لكل ورقة جديدة أو لكل مريض جديد. في المقابل، غال موردت النماذج القديمة غالباً عندما طُلب منها التنبؤ بأوراق لم يتم تدريبها عليها خصيصاً، مما يتطلب تدريباً منفصلاً لكل واحدة منها. أما النظام الجديد فقد تعامل مع جميعها بنفس المستوى العالي من الدقة.

كما بحثت الدراسة في كيفية تحسين هذه التنبؤات لسلامة العلاج الإشعاعي. حالياً، غالباً ما يتحقق الأطباء من أداء الآلة بعد انتهاء العلاج، وهو وقت متأخر جداً لإصلاح أي أخطاء. وتوفر هذه الطريقة الجديدة وسيلة للتنبؤ بالأخطاء وتصحيحها قبل أن يبدأ الشعاع في العمل. ومن خلال تحديد الانحرافات المحتملة مبكراً، يمكن للنظام أن يساعد في ضمان أن الجرعة المقدمة تطابق الجرعة المخطط لها، مما يحمي المرضى من التعرض غير المقصود. وأشار الباحثون إلى أنه بينما نموذجهم فعال للغاية، فقد تم اختباره على بيانات من نوعين محددين من آلات الإشعاع، واقترحوا أن العمل المستقبلي يجب أن يشمل بيانات من مجموعة أوسع من الآلات لضمان عمل النموذج في كل مكان. ومع ذلك، فإن الدراسة تثبت أنه من خلال الجمع بين خوارزمية بحث ذكية وشبكة تعلم، يمكن التنبؤ بتحركات هذه الأجهزة الطبية الحرجة بمستوى من الدقة لم يكن ممكناً الوصول إليه سابقاً، مما يمثل خطوة واعدة نحو جعل علاج السرطان أكثر أماناً وفعالية.