⚡ electrical engineering

Toward Actionable Digital Twins for Radiation-Based Imaging and Therapy: Mathematical Formulation, Modular Workflow, and an OpenKBP-Based Dose-Surrogate Prototype

यह शोध पत्र रेडिएशन-आधारित इमेजिंग और थेरेपी में एक्शनबल डिजिटल ट्विन्स के लिए एक मॉड्यूलर फ्रेमवर्क प्रस्तुत करता है, जिसे ओपनकेबीपी (OpenKBP) बेंचमार्क पर एक पुनरुत्पादनीय, अनिश्चितता-जागरूक 3D U-Net प्रोटोटाइप के रूप में स्थापित किया गया है जो तीव्र डोज़ प्रेडिक्शन और क्लिनिकल निर्णय समर्थन के लिए क्लोज्ड-लूप अनुकूलन प्राप्त करता है।

मूल लेखक: Hsin-Hsiung Huang, Bulent Soykan

प्रकाशित 2026-03-31

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hsin-Hsiung Huang, Bulent Soykan

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जटिल विमान उड़ा रहे एक पायलट हैं। पुराने दिनों में, आपके पास एक स्थिर मानचित्र (static map) और एक चेकलिस्ट होती थी। लेकिन क्या होगा यदि आपके पास अपने विमान का एक "डिजिटल ट्विन" (Digital Twin) हो? यह केवल एक 3D मॉडल नहीं है; यह एक जीवित, सांस लेता हुआ आभासी प्रतिरूप है जो वास्तविक विमान से वास्तविक समय (real-time) में बात करता है। यदि वास्तविक विमान के किसी सेंसर को मामूली थरथराहट का पता चलता है, तो डिजिटल ट्विन तुरंत अपडेट होता है, उड़ान पथ की पुनर्गणना करता है, और होने वाली अशांति (turbulence) के बारे में होने से पहले ही आपको चेतावनी देता है।

यह शोध पत्र विकिरण चिकित्सा (radiation therapy - जहाँ ट्यूमर को मारने के लिए ऊर्जा की किरणों का उपयोग किया जाता है) के लिए इसी तरह के "जीवित आभासी प्रतिरूप" को बनाने के बारे में है।

यहाँ उनके विचार का विवरण दिया गया है, जिसमें सरल उपमाओं (analogies) का उपयोग किया गया है:

1. समस्या: "स्थिर मानचित्र" बनाम "जीवित मार्गदर्शक"

वर्तमान में, जब डॉक्टर विकिरण उपचार की योजना बनाते हैं, तो वे एक "वन-शॉट" भविष्यवाणी का उपयोग करते हैं। वे रोगी के स्कैन को देखते हैं, एक कंप्यूटर प्रोग्राम चलाते हैं, और कहते हैं, "यह डोज मैप है।" यह एक सड़क यात्रा के लिए कागज के नक्शे का उपयोग करने जैसा है। यह शुरुआत में अच्छा है, लेकिन यदि सड़क बदल जाती है (रोगी की शारीरिक संरचना बदल जाती है, या ट्यूमर सिकुड़ जाता है), तो कागज का नक्शा उसे नहीं जान पाता।

लेखक इस कागज के नक्शे को एक "स्वयं-अपडेट होने वाले GPS" से बदलना चाहते हैं। वे इसे "एक्शनेबल डिजिटल ट्विन" (Actionable Digital Twin) कहते हैं।

एक्शनेबल (Actionable): यह केवल आपको रास्ता नहीं दिखाता; यह आपको बताता है कि आपको क्या करना है (जैसे, "अभी बाएं मुड़ें," या "बीम को समायोजित करें")।
डिजिटल ट्विन (Digital Twin): रोगी का एक आभासी संस्करण जो वास्तविक रोगी के साथ बदलने और सीखने की क्षमता रखता है।

2. रेसिपी: एक स्मार्ट ट्विन के लिए पाँच सामग्रियां

लेखक इस कार्य को पूरा करने के लिए एक मॉड्यूलर सिस्टम (जैसे कि पाँच अलग-अलग स्टेशनों वाला एक किचन) का प्रस्ताव करते हैं:

पेशेंट डेटा (PatientData - सामग्री): यहाँ सारी जानकारी डाली जाती है—CT स्कैन, ट्यूमर के स्थान, और पिछले उपचारों के दौरान जो कुछ भी हुआ उसके लॉग।
मॉडल (Model - शेफ): यह AI मस्तिष्क है। इस शोध पत्र में, उन्होंने एक विशिष्ट प्रकार का AI (एक 3D U-Net) बनाया है जो एक मास्टर शेफ की तरह काम करता है, जो सटीक भविष्यवाणी करता है कि शरीर के भीतर "भोजन" (विकिरण की खुराक/dose) ठीक कैसे "पकेगा"।
सॉल्वर (Solver - स्वाद परीक्षक): यह हिस्सा तेजी से गणना करता है ताकि परिणाम क्या होगा, यह देखा जा सके।
कैलिब्रेशन (Calibration - चखना और समायोजित करना): यह वह जादुई लूप है। यदि वास्तविक रोगी बदलता है, तो सिस्टम नए डेटा को "चखता" है और शेफ की रेसिपी को थोड़ा बदल देता है ताकि भविष्यवाणी सटीक बनी रहे।
डिसीजन (Decision - कैप्टन): यह मॉड्यूल भविष्यवाणियों और जोखिमों को देखता है, और फिर एक सुरक्षित निर्णय लेता है। यह पूछता है: "क्या आगे बढ़ना सुरक्षित है? क्या हमें योजना बदलने की आवश्यकता है?"

3. सीक्रेट सॉस: "अनिश्चितता" (Uncertainty)

यहाँ सबसे बड़े नवाचारों में से एक यह है कि वे अनिश्चितता को कैसे संभालते हैं।
कल्पना कीजिए कि आप मौसम का अनुमान लगा रहे हैं। एक मानक मॉडल कहता है, "बारिश होगी।" एक स्मार्ट मॉडल कहता है, "बारिश होगी, लेकिन मैं इसके बारे में केवल 80% निश्चित हूँ, और यहाँ वह सीमा है कि कितनी तेज बारिश हो सकती है।"

लेखक "मोंटे कार्लो ड्रॉपआउट" (Monte Carlo Dropout) नामक तकनीक का उपयोग करते हैं। इसे ऐसे समझें जैसे आप AI से एक ही सवाल को बहुत तेजी से 50 बार पूछ रहे हैं, लेकिन हर बार, AI थोड़ा "विचलित" (जैसे एक शेफ अलग-अलग चम्मचों के साथ सूप चख रहा हो) है।

यदि AI 50 बार एक ही उत्तर देता है, तो वह आत्मविश्वासी (confident) है।
यदि उत्तर बहुत भिन्न होते हैं, तो AI अनिश्चित (unsure) है।
यह "अनिश्चितता" का अहसास महत्वपूर्ण है। यह डॉक्टरों को बताता है, "हे, इस योजना का यह हिस्सा जोखिम भरा है; आगे बढ़ने से पहले आइए इसे दोबारा जांच लें।"

4. टेस्ट ड्राइव: "OpenKBP" बेंचमार्क

यह साबित करने के लिए कि उनका विचार वास्तविक रोगियों को जोखिम में डाले बिना काम करता है, उन्होंने "OpenKBP" नामक एक सार्वजनिक "प्रशिक्षण मैदान" का उपयोग किया।

इसे विकिरण डॉक्टरों के लिए एक "फ्लाइट सिम्युलेटर" की तरह समझें। इसमें 100 नकली रोगी मामले हैं जिनके "सही" उत्तर ज्ञात हैं।
उन्होंने इस सिम्युलेटर पर अपने डिजिटल ट्विन को प्रशिक्षित किया।
परिणाम: यह प्रणाली अविश्वसनीय रूप से तेज़ थी (प्रति रोगी एक सेकंड से भी कम समय) और सटीक थी। यह लगभग 2.6 Gy (चिकित्सा के संदर्भ में एक बहुत छोटा मार्जिन) की त्रुटि के साथ विकिरण खुराक की भविष्यवाणी कर सका।

5. "वर्चुअल थेरेपी" प्रयोग

चूंकि वे इस विशिष्ट अध्ययन में समय के साथ बदलने वाले वास्तविक रोगियों का उपयोग नहीं कर सकते थे, इसलिए उन्होंने एक "प्रॉक्सी प्रयोग" बनाया।

उन्होंने एक ऐसी स्थिति का अनुकरण (simulate) किया जहाँ उपचार के बीच में ही रोगी की शारीरिक संरचना बदल गई (जैसे ट्यूमर का सिकुड़ना)।
डिजिटल ट्विन ने इस बदलाव को देखा, महसूस किया कि इसकी भविष्यवाणी "अनिश्चित" (uncertainty बढ़ गई) हो रही है, और एक पुनः अंशांकन (recalibration) को ट्रिगर किया।
इसके बाद इसने एक नई योजना का सुझाव दिया ताकि ट्यूमर पर प्रहार जारी रहे और स्वस्थ अंगों की रक्षा की जा सके।
निष्कर्ष: सिस्टम ने सफलतापूर्वक बदलाव के प्रति प्रतिक्रिया दी, जिससे यह सिद्ध हुआ कि "क्लोज्ड-लूप" का विचार सैद्धांतिक रूप से काम करता है।

सारांश: यह क्यों मायने रखता है?

वर्तमान में, विकिरण चिकित्सा अक्सर एक "सेट इट एंड फॉरगेट इट" (स्थापित करें और भूल जाएं) की प्रक्रिया है। यदि रोगी बदलता है, तो योजना कम प्रभावी या अधिक खतरनाक हो सकती है।

यह शोध पत्र एक ऐसे भविष्य का प्रस्ताव करता है जहाँ:

योजना जीवित है: यह जैसे-जैसे रोगी ठीक होता है या बदलता है, खुद को अपडेट करती है।
इसे पता है कि यह क्या नहीं जानता: यह संकेत देता है जब यह अनिश्चित होता है, जिससे खतरनाक गलतियों को रोका जा सके।
यह निर्णय लेता है: यह केवल भविष्यवाणी नहीं करता; यह सबसे सुरक्षित अगला कदम सुझाता है।

मुख्य बात (The Bottom Line):
लेखकों ने अभी तक अस्पतालों के लिए अंतिम उत्पाद नहीं बनाया है (इसके लिए वास्तविक रोगियों के साथ वास्तविक दुनिया के परीक्षण की आवश्यकता है)। इसके बजाय, उन्होंने एक स्मार्ट, सुरक्षित, स्व-सुधार करने वाली विकिरण चिकित्सा प्रणाली के लिए ब्लूप्रिंट और इंजन बनाया है। उन्होंने दिखाया है कि सही गणित और AI के साथ, हम स्थिर मानचित्रों से हटकर जीवित, सांस लेते डिजिटल ट्विन की ओर बढ़ सकते हैं जो डॉक्टरों को बेहतर परिणामों की ओर ले जाते हैं।

यहाँ शोध पत्र "Toward Actionable Digital Twins for Radiation-Based Imaging and Therapy: Mathematical Formulation, Modular Workflow, and an OpenKBP-Based Dose-Surrogate Prototype" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

रेडिएशन ऑन्कोलॉजी में वर्तमान डिजिटल ट्विन अनुप्रयोगों में अक्सर उन विशिष्ट क्षमताओं की कमी होती है जो नैदानिक क्रियाशीलता (clinical actionability) के लिए आवश्यक हैं। जबकि डीप लर्निंग ने डोज़ प्रेडिक्शन (जैसे, OpenKBP बेंचमार्क के माध्यम से) को उन्नत किया है, अधिकांश मौजूदा मॉडल स्थिर, वन-शॉट फीड-फॉरवर्ड प्रेडिक्टर (static, one-shot feed-forward predictors) हैं। वे शरीर रचना (anatomy) के आधार पर एक संदर्भ डोज़ वितरण (reference dose distribution) का अनुमान तो लगाते हैं, लेकिन निम्नलिखित में विफल रहते हैं:

समय के साथ एक गतिशील रोगी अवस्था (patient state) को बनाए रखना।
उपचार के दौरान नई अवलोकनों (जैसे, डिलीवर्ड डोज़ लॉग्स, रिपीट इमेजिंग) को स्पष्ट रूप से शामिल करना।
भविष्य कहनेवाला अनिश्चितता (predictive uncertainty) को इस तरह से मापना जो नैदानिक निर्णयों का मार्गदर्शन कर सके।
सुरक्षा बाधाओं (safety constraints) के तहत प्रतिबंधित निर्णय लेने (constrained decision-making) (जैसे, प्लान अडैप्टेशन) का समर्थन करना।

एक वास्तविक "एक्शनेबल" डिजिटल ट्विन के लिए आवश्यक अपडेट/निर्णय तर्क और पुनरुत्पादक AI-आधारित डोज़ मॉडलिंग के बीच एक अंतर है। यह शोध पत्र एक ऐसे ढांचे का प्रस्ताव करके इसे संबोधित करता है जो डोज़ प्रेडिक्शन, अनिश्चितता प्रसार (uncertainty propagation), और अनुक्रमिक अपडेटिंग (sequential updating) को एकीकृत करता है, जिसे OpenKBP बेंचमार्क पर एक प्रॉक्सी कार्यान्वयन के माध्यम से सत्यापित किया गया है।

2. कार्यप्रणाली (Methodology)

लेखक एक मॉड्यूलर फ्रेमवर्क और एक एक्शनबल डिजिटल ट्विन के लिए एक विशिष्ट गणितीय सूत्रीकरण (mathematical formulation) प्रस्तावित करते हैं, जिसे Open-access Knowledge-Based Planning (OpenKBP) डेटासेट का उपयोग करके स्थापित किया गया है।

A. गणितीय सूत्रीकरण (Mathematical Formulation)

यह ढांचा डिजिटल ट्विन को एक स्टेट-स्पेस सिस्टम के रूप में मॉडल करता है:

लेटेंट स्टेट ( $x_t$ ): इसमें एनाटॉमी, टारगेट्स, ऑर्गन्स-एट-रिस्क (OARs), संचित डोज़ (accumulated dose), और रिस्पांस पैरामीटर्स शामिल हैं।
अवलोकन ( $y_t$ ): CT/CBCT इमेजेस, डिलीवर्ड डोज़ लॉग्स, और बायोमार्कर।
क्रियाएं ( $u_t$ ): प्लान पैरामीटर्स, अडैप्टेशन ट्रिगर्स, और इमेजिंग शेड्यूल्स।
डायनेमिक्स: सिस्टम एक ट्रांजिशन मॉडल $f$ और ऑब्जर्वेशन मॉडल $h$ का उपयोग करता है जिसमें प्रोसेस/ऑब्जर्वेशन नॉइज़ शामिल है।
अपडेटिंग: जैसे-जैसे नया डेटा आता है, विश्वास अवस्था (belief state) $b_t(x, \theta)$ को अपडेट करने के लिए एक बेयसियन फ़िल्टरिंग दृष्टिकोण (मैक्सिमम ए पोस्टेरिओरी या MAP के माध्यम से अनुमानित) का उपयोग किया जाता है।
निर्णय लेना: सिस्टम एक कॉस्ट फंक्शन (जैसे, कवरेज बनाम स्पेयरिंग) को मिनिमाइज़ करके $u^*_t$ क्रियाओं का चयन करता है, जो प्रेडिक्टिव डिस्ट्रीब्यूशन के आधार पर चांस कंस्ट्रेंट्स (chance constraints) (सुरक्षा सीमाओं) के अधीन होता है।

B. मॉड्यूलर आर्किटेक्चर (Modular Architecture)

कार्यप्रवाह को पाँच जुड़े हुए मॉड्यूलों (तालिका I) में विभाजित किया गया है:

PatientData: सुसंगत इमेजिंग, स्ट्रक्चर्स और लॉग्स।
Model: हाइब्रिड फिजिक्स/लर्नड मॉडल्स (विशेष रूप से, एक डोज़ सरोगेट)।
Solver: फॉरवर्ड प्रेडिक्शन और सेंसिटिविटी एनालिसिस।
Calibration: नए मापन का उपयोग करके अनुक्रमिक अपडेटिंग/इनवर्स फिटिंग।
Decision: यूटिलिटीज और सुरक्षा बाधाओं का उपयोग करके प्रतिबंधित प्रोटोकॉल चयन।

C. कार्यान्वयन (OpenKBP प्रोटोटाइप)

इस ढांचे को प्रदर्शित करने के लिए, लेखकों ने OpenKBP स्टार्टर पाइपलाइन का एक GPU-रेडी PyTorch/MONAI पुनर्रचना (reimplementation) बनाया है:

आर्किटेक्चर: एक 11-चैनल, 19.2M-पैरामीटर वाला 3D U-Net।
ट्रेनिंग: फेज़िबल रीजन के ऊपर एक मास्कड L1 लॉस के साथ प्रशिक्षित।
अनिश्चितता मात्रा निर्धारण (Uncertainty Quantification): टेस्ट के समय मोंटे कार्लो (MC) ड्रॉपआउट (बॉटलनेक और डिकोडर में बरकरार) का उपयोग करता है ताकि $K$ स्टोकेस्टिक भविष्यवाणियों का एक एन्सेम्बल बनाया जा सके। यह वोक्सेल-वाइज एपिस्टेमिक अनिश्चितता ( $\sigma^2$ ) अनुमान लगाने की अनुमति देता है।
प्रॉक्सी कैलिब्रेशन: चूंकि OpenKBP में अनुदैर्ध्य (longitudinal) डिलीवर्ड-डोज़ लॉग्स की कमी है, इसलिए लेखकों ने एक डिकोडर-ओनली ट्रांसफर लर्निंग रणनीति लागू की है। एनकोडर (एनाटॉमी फीचर्स) को फ्रीज कर दिया गया है, जबकि डिकोडर को शुरुआती फ्रैक्शन क्वालिटी एश्योरेंस (QA) संकेतों की नकल करने के लिए अनुकूलित किया गया है।
डिसीजन लॉजिक: कैंडिडेट एक्शन्स (जैसे, स्थानिक मॉड्यूलेशन मास्क) का मूल्यांकन DVH-आधारित सारांश और एक बायोलॉजिकल यूटिलिटी फंक्शन ( $TCP - \lambda NTCP - \gamma U_t$ ) का उपयोग करके किया जाता है, जहाँ $U_t$ एक अनिश्चितता दंड (uncertainty penalty) है।

3. मुख्य योगदान (Key Contributions)

एक्शनबल डिजिटल ट्विन फ्रेमवर्क: एक औपचारिक गणितीय परिभाषा और मॉड्यूलर सॉफ्टवेयर आर्किटेक्चर जो डोज़ प्रेडिक्शन को अनिश्चितता-जागरूक अपडेटिंग और प्रतिबंधित निर्णय लेने के साथ जोड़ता है, जो स्थिर भविष्यवाणी से परे जाता है।
अनिश्चितता-जागरूक डोज़ सरोगेट: एक पुनरुत्पादक 3D U-Net कार्यान्वयन जो न केवल औसत डोज़ प्रेडिक्शन प्रदान करता है, बल्कि MC Dropout के माध्यम से एक पूर्ण प्रेडिक्टिव डिस्ट्रीब्यूशन (मीन और वेरिएंस) भी प्रदान करता है, जिससे जोखिम-जागरूक प्लानिंग संभव होती है।
प्रॉक्सी अनुक्रमिक अपडेटिंग: एक स्थिर बेंचमार्क पर डिजिटल ट्विन के "अपडेट लूप" को डिकोडर-ओनली अडैप्टेशन का उपयोग करके इम्युलेट करने की एक नवीन विधि, जो स्थिर बेंचमार्क और गतिशील नैदानिक वर्कफ़्लो के बीच के अंतर को पाटती है।
क्लोज्ड-लूप मूल्यांकन: 10.3 सेकंड में निष्पादित एक पूर्ण वर्कफ़्लो (रिकैलिब्रेशन $\to$ इन्फरेंस $\to$ ऑप्टिमाइजेशन), जो वास्तविक समय या निकट-वास्तविक समय डिजिटल ट्विन संचालन की व्यवहार्यता को प्रदर्शित करता है।

4. परिणाम (Results)

प्रोटोटाइप का मूल्यांकन 100-पेशेंट OpenKBP टेस्ट सेट पर किया गया:

प्रेडिक्शन सटीकता (Prediction Accuracy):
- मीन डोज़ स्कोर: 2.65 Gy (मानक विचलन: 0.42)।
- मीन DVH स्कोर: 1.82 Gy (मानक विचलन: 0.55)।
- ये मेट्रिक्स दर्शाते हैं कि मॉडल मानक डोज़-प्रेडिक्शन बेंचमार्क के तुलनीय व्यावहारिक बेसलाइन सटीकता प्राप्त करता है।
दक्षता (Efficiency):
- इन्फरेंस टाइम: प्रति पेशेंट 0.58 सेकंड।
- फुल लूप टाइम: एक पूर्ण तीन-फ्रैक्शन लूप (रिकैलिब्रेशन, MC इन्फरेंस और स्थानिक अनुकूलन सहित) 10.3 सेकंड में निष्पादित होता है।
अनिश्चितता डायग्नोस्टिक्स (Uncertainty Diagnostics):
- विज़ुअलाइज़ेशन (चित्र 2 और 3) दिखाते हैं कि MC Dropout सफलतापूर्वक तीव्र डोज़ ग्रेडिएंट और टिश्यू इंटरफेस के पास अनिश्चितता को स्थानीयकृत करता है।
- सिस्टम डोज़-वॉल्यूम हिस्टोग्राम (DVH) के लिए 95% प्रेडिक्टिव इंटरवल उत्पन्न करता है, जिससे क्लिनिशियन OAR और टारगेट डोज़ पर कॉन्फिडेंस बाउंड्स देख सकते हैं।
अडैप्टेशन ट्रेजेक्टरी (Adaptation Trajectory):
- एक सिम्युलेटेड "प्रॉक्सी" प्रयोग में, जिसमें एक एनाटॉमिकल शिफ्ट शामिल था, सिस्टम ने बढ़ती अनिश्चितता का सफलतापूर्वक पता लगाया, रिकैलिब्रेशन को ट्रिगर किया, और उपचार योजना को समायोजित किया। हालांकि प्रॉक्सी कंट्रोलर ने NTCP ट्रेजेक्टरी को पूरी तरह से नाममात्र स्तरों तक बहाल नहीं किया, लेकिन इसने जोखिम परिवर्तनों के प्रति प्रतिक्रिया देने की क्षमता का प्रदर्शन किया।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

महत्व: यह शोध पत्र एक्शनबल डिजिटल ट्विन विकसित करने के लिए एक पुनरुत्पादक टेस्टबेड प्रदान करता है। यह सिद्ध करता है कि डोज़-प्रेडिक्शन वर्कफ़्लो में बिना गति से समझौता किए अनिश्चितता मात्रा निर्धारण और अनुक्रमिक अपडेटिंग को एकीकृत किया जा सकता है। यह प्रतिमान को "एक डोज़ की भविष्यवाणी करने" से बदलकर "अनिश्चितता के तहत एक रोगी अवस्था को प्रबंधित करने" की ओर ले जाता है।
सीमाएँ (Limitations):
- "अपडेटिंग" एक प्रॉक्सी (डिकोडर-ओनली अडैप्टेशन) है क्योंकि OpenKBP में वास्तविक अनुदैर्ध्य डिलीवर्ड-डोज़ लॉग्स की कमी है।
- TCP/NTCP मानों का उपयोग तुलनात्मक यूटिलिटी के रूप में किया जाता है, न कि कैलिब्रेटेड नैदानिक परिणाम संभावनाओं के रूप में।
- MC Dropout एपिस्टेमिक अनिश्चितता का अनुमान लगाता है, लेकिन डिस्ट्रीब्यूशन शिफ्ट के तहत पूर्ण कैलिब्रेशन को हल नहीं करता है।
भविष्य की दिशाएँ (Future Directions):
- अनुदैर्ध्य सत्यापन (Longitudinal Validation): वास्तविक डिलीवर्ड-डोज़ लॉग्स और रिपीट इमेजिंग वाले संस्थागत कोहॉर्ट्स पर ढांचे का परीक्षण करना।
- उन्नत अनिश्चितता (Enhanced Uncertainty): MC Dropout से परे अधिक मजबूत अनिश्चितता मात्रा निर्धारण विधियों को विकसित करना।
- नैदानिक एकीकरण (Clinical Integration): प्रॉक्सी अडैप्टेशन से प्रमाणित, नैदानिक रूप से क्रियाशील एडेप्टिव रेडिएशन थेरेपी (ART) रणनीतियों की ओर बढ़ना।

निष्कर्षतः, यह शोध पत्र रेडिएशन थेरेपी के लिए एक्शनबल डिजिटल ट्विन के लिए एक आधारभूत आर्किटेक्चर स्थापित करता है, यह प्रदर्शित करते हुए कि ओपन बेंचमार्क को गतिशील, अनिश्चितता-जागरूक और निर्णय-संचालित वर्कफ़्लो के लिए विस्तारित किया जा सकता है जो अगली पीढ़ी की व्यक्तिगत चिकित्सा के लिए आवश्यक हैं।