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

Die Strahlentherapie ist ein wirkungsvolles Instrument zur Behandlung von Krebs, bei dem hochenergetische Strahlen eingesetzt werden, um bösartige Zellen zu zerstören und gleichzeitig gesundes Gewebe zu schonen. Um diese Behandlung präzise zu gestalten, verwenden Ärzte eine Vorrichtung namens Multileaf-Kollimator, der wie ein dynamischer Verschluss aus vielen dünnen Metalllamellen funktioniert. Diese Lamellen bewegen sich hinein und heraus, um den Strahl zu formen und einen maßgeschneiderten Pfad zu bahnen, der exakt der Form des Tumors entspricht. Das Ziel ist es, eine tödliche Dosis für den Krebs zu liefern und die umliegenden Organe unberührt zu lassen. Doch die Mechanik ist nicht perfekt. Genau wie ein mechanischer Verschluss manchmal klemmen oder verzögern kann, können sich diese Metalllamellen manchmal an eine Position bewegen, die einen Bruchteil eines Millimeters von der Position abweicht, die der Computer für sie geplant hatte. In der Welt der Strahlung kann selbst ein winziger Fehler von einem Millimeter die Dosis verändern, die der Patient erhält, was potenziell die Wirksamkeit der Behandlung verringert oder gesundes Gewebe schädigt. Aus diesem Grund ist die Sicherstellung, dass sich die Lamellen zum exakt richtigen Zeitpunkt am exakt richtigen Ort befinden, eine kritische Herausforderung für Medizinphysiker.

Forscher haben lange versucht, diese winzigen Bewegungen vorherzusagen, bevor sie auftreten, in der Hoffnung, sie im Voraus korrigieren zu können. Sie haben verschiedene Computermethoden getestet, darunter Standard-Neuronale Netze, die Systeme sind, die dem menschlichen Gehirn nachempfunden sind, welches fähig ist, aus Mustern zu lernen. Obwohl diese Systeme lernen können, haben sie oft Schwierigkeiten, sowohl schnell als auch präzise zu sein, insbesondere wenn es darum geht, die Position jeder einzelnen Lamelle in einer komplexen Maschine vorherzusagen. Eine neue Studie von Jun Lv und Kollegen stellt einen anderen Ansatz vor, der ein Standard-Neuronales Netz mit einer naturinspirierten Suchmethode kombiniert, dem Black-winged Kite Algorithm (Schwarzmagen-Algorithmus). Dieser Algorithmus ahmt das Jagdverhalten eines bestimmten Greifvogels nach und nutzt dessen effiziente Suchmuster, um die bestmöglichen Ausgangseinstellungen für das Computermodell zu finden. Durch den Einsatz dieser Methode wollten die Forscher ein System schaffen, das in der Lage ist, die genaue Position der Lamellen mit weita-gesteigerter Genauigkeit und Geschwindigkeit als bisherige Methoden vorherzusagen.

Das Team testete sein neues Modell unter Verwendung von Daten aus fünfzig realen Krebsbehandlungsplänen, die Tumoren im Kopf- und Halsbereich, im Brustkorb und im Abdomen abdeckten. Sie speisten dem Computer dreizehn verschiedene Informationen aus den Protokollen der Maschine ein, wie etwa den Winkel der Strahlenquelle, die Geschwindigkeit der Lamellen und die geplanten Positionen. Das Ziel war es zu sehen, ob das Modell erraten konnte, wo die Lamellen tatsächlich landen würden, wenn die Maschine feuert. Die Ergebnisse waren beeindruckend. Das neue Modell, das sie BKA-BPNN nennen, sagte die Positionen der Lamellen mit einem durchschnittlichen Fehler von nur 0,0026 Millimetern voraus. Um dies in Perspektive zu setzen: Der Fehler war so gering, dass die vorhergesagte Position fast ununterscheidbar von der tatsächlichen Position war, mit einer Korrelation, die so hoch war, dass sie nahezu perfekt war. Beim Vergleich mit älteren, Standard-Neuronalen Netzen reduzierte das neue Modell den Fehler um fast 90 Prozent. Es schnitt auch signifikant besser ab als andere fortschrittliche Methoden, die andere Optimierungstechniken verwenden, wobei es den Fehler im Vergleich zum nächstbesten Alternativmodell um fast 40 Prozent senkte.

Neben der Tatsache, dass das neue Modell auch wesentlich präziser war, war es auch viel schneller. Während einige konkurrierende Systeme über eine Stunde benötigten, um die Daten zu verarbeiten, schloss das Black-winged Kite-Modell seine Aufgabe in weniger als einer Minute ab. Diese Geschwindigkeit ist entscheidend, da dies bedeutet, dass das System potenziell in Echtzeit oder kurz vor einer Behandlung eingesetzt werden könnte, um Fehler zu überprüfen. Die Forscher fanden heraus, dass das Modell konsistent gut über verschiedene Lamellenzahlen und verschiedene Arten von Behandlungsplänen hinweg funktionierte, was darauf hindeutet, dass es ein robustes Werkzeug ist, das nicht für jede einzelne Lamelle oder jeden neuen Patienten neu trainiert werden muss. Im Gegensatz dazu hatten ältere Modelle oft Schwierigkeiten, wenn sie gefragt wurden, Lamellen vorherzusagen, für die sie nicht spezifisch trainiert worden waren, was ein separates Training für jede einzelne erforderte. Das neue System bewältigte alle mit demselben hohen Maß an Präzision.

Die Studie untersuchte auch, wie diese Vorhersagen die Sicherheit der Strahlentherapie verbessern könnten. Derzeit überprüfen Ärzte oft die Leistung der Maschine, nachdem die Behandlung abgeschlossen ist, was zu spät ist, um Fehler zu beheben. Diese neue Methode bietet einen Weg, Fehler vorherzusagen und zu korrigieren, bevor der Strahl überhaupt eingeschaltet wird. Durch das frühzeitige Identifizieren potenzieller Abweichungen könnte das System dazu beitragen, sicherzustellen, dass die abgegebene Dosis mit der geplanten Dosis übereinstimmt und den Patienten so vor unbeabsichtigter Exposition schützt. Die Forscher merkten an, dass ihr Modell zwar hocheffektiv ist, aber an Daten von zwei spezifischen Arten von Bestrahlungsgeräten getestet wurde. Sie schlugen vor, dass zukünftige Arbeiten Daten von einer breiteren Palette an Maschinen einbeziehen sollten, um sicherzustellen, dass das Modell überall funktioniert. Vorerst zeigt die Studie jedoch, dass es durch die Kombination eines intelligenten Suchalgorithmus mit einem Lernnetzwerk möglich ist, die Bewegungen dieser kritischen medizinischen Geräte mit einem Präzisionsniveau vorherzusagen, das zuvor unerreichbar war, was einen vielversprechenden Schritt hin zu einer sichereren und effektiveren Krebsbehandlung darstellt.