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

रेडिएशन थेरेपी कैंसर के इलाज के लिए एक शक्तिशाली उपकरण है, जो स्वस्थ ऊतकों को बचाते हुए घातक कोशिकाओं को नष्ट करने के लिए उच्च-ऊर्जा किरणों का उपयोग करती है। इस उपचार को सटीक बनाने के लिए, डॉक्टर 'मल्टीलीफ कोलिमेटर' नामक एक उपकरण का उपयोग करते हैं, जो कई पतली धातु की पत्तियों से बने एक गतिशील शटर की तरह कार्य करता है। ये पत्तियां बीम को आकार देने के लिए अंदर और बाहर चलती हैं, जिससे एक कस्टम पथ बनता है जो ट्यूमर के आकार से बिल्कुल मेल खाता है। इसका लक्ष्य कैंसर को घातक खुराक देना है जबकि आसपास के अंगों को अछूता छोड़ना है। हालांकि, मशीनरी दोषरहित नहीं है। ठीक वैसे ही जैसे एक मैकेनिकल शटर थोड़ा अटक सकता है या धीमा हो सकता है, ये धातु की पत्तियां कभी-कभी उस स्थिति से एक अंश मिलीमीटर भी इधर-उधर हो सकती हैं जहाँ कंप्यूटर ने उन्हें निर्धारित किया था। रेडिएशन की दुनिया में, एक मिलीमीटर की मामूली त्रुटि भी रोगी को मिलने वाली खुराक को बदल सकती है, जिससे उपचार की प्रभावशीलता कम हो सकती है या स्वस्थ ऊतकों को नुकसान पहुँच सकता है। इसी कारण, मेडिकल फिजिसिस्ट के लिए यह सुनिश्चित करना कि पत्तियां बिल्कुल सही समय पर बिल्कुल सही स्थान पर हों, एक महत्वपूर्ण चुनौती है।

शोधकर्ताओं ने लंबे समय से इन सूक्ष्म गतिविधियों को होने से पहले ही अनुमान लगाने की कोशिश की है, इस उम्मीद में कि उन्हें पहले ही सुधारा जा सके। उन्होंने विभिन्न कंप्यूटर विधियों का परीक्षण किया है, जिसमें मानक न्यूरल नेटवर्क भी शामिल हैं, जो मानव मस्तिष्क की पैटर्न से सीखने की क्षमता के मॉडल पर आधारित सिस्टम हैं। हालांकि ये सिस्टम सीख सकते हैं, लेकिन वे तेज़ और सटीक दोनों होने में अक्सर संघर्ष करते हैं, विशेष रूप से एक जटिल मशीन में हर एक पत्ती की स्थिति का अनुमान लगाने के मामले में। जून लीव और उनके सहयोगियों द्वारा प्रस्तुत एक नया अध्ययन एक अलग दृष्टिकोण पेश करता है जो एक मानक न्यूरल नेटवर्क को 'ब्लैक-विंग्ड काइट एल्गोरिदम' (Black-winged Kite Algorithm) नामक प्रकृति-प्रेरित खोज पद्धति के साथ जोड़ता है। यह एल्गोरिदम एक विशिष्ट शिकारी पक्षी के शिकार करने के व्यवहार की नकल करता है, जो अपने कुशल खोज पैटर्न का उपयोग करके कंप्यूटर मॉडल के लिए सर्वोत्तम शुरुआती सेटिंग्स खोजने में मदद करता है। इस पद्धति का उपयोग करके, शोधकर्ताओं का लक्ष्य एक ऐसा सिस्टम बनाना था जो पिछले तरीकों की तुलना में बहुत अधिक सटीकता और गति के साथ पत्तियों के सटीक स्थान का अनुमान लगा सके।

टीम ने अपने नए मॉडल का परीक्षण पचास वास्तविक कैंसर उपचार योजनाओं के डेटा का उपयोग करके किया, जिसमें सिर और गर्दन, छाती और पेट के ट्यूमर शामिल थे। उन्होंने कंप्यूटर को मशीन के लॉग से प्राप्त तेरह अलग-अलग जानकारियां दीं, जैसे कि रेडिएशन स्रोत का कोण, पत्तियों की गति और नियोजित स्थितियां। लक्ष्य यह देखना था कि क्या मॉडल अनुमान लगा सकता है कि मशीन के चलने पर पत्तियां वास्तव में कहाँ रुकेंगी। परिणाम आश्चर्यजनक थे। नया मॉडल, जिसे वे BKA-BPNN कहते हैं, ने पत्तियों की स्थिति का अनुमान औसतन केवल 0.0026 मिलीमीटर की त्रुटि के साथ लगाया। इसे समझने के लिए, त्रुटि इतनी कम थी कि अनुमानित स्थिति वास्तविक स्थिति से लगभग अभिन्न थी, जिसका सहसंबंध (correlation) इतना उच्च था कि वह लगभग पूर्ण था। जब उन्होंने इसकी तुलना पुराने, मानक न्यूरल नेटवर्क से की, तो नए मॉडल ने त्रुटि को लगभग 90 प्रतिशत तक कम कर दिया। इसने अन्य उन्नत विधियों से भी काफी बेहतर प्रदर्शन किया, जो विभिन्न अनुकूलन तकनीकों का उपयोग करती हैं, और अगले सबसे अच्छे विकल्प की तुलना में त्रुटि को लगभग 40 प्रतिशत तक कम कर दिया।

केवल अधिक सटीक होने के अलावा, नया मॉडल बहुत तेज़ भी था। जबकि कुछ प्रतिस्पर्धी सिस्टम डेटा को प्रोसेस करने में एक घंटे से अधिक का समय लेते थे, ब्लैक-विंग्ड काइट मॉडल ने अपना कार्य एक मिनट से भी कम समय में पूरा कर लिया। यह गति महत्वपूर्ण है क्योंकि इसका अर्थ है कि इस सिस्टम का उपयोग संभावित रूप से उपचार से ठीक पहले या वास्तविक समय (real-time) में त्रुटियों की जांच करने के लिए किया जा सकता है। शोधकर्ताओं ने पाया कि मॉडल विभिन्न पत्तियों की संख्या और विभिन्न प्रकार की उपचार योजनाओं में लगातार अच्छा काम करता है, जो यह दर्शाता है कि यह एक मजबूत उपकरण है जिसे हर एक पत्ती या हर नए रोगी के लिए फिर से प्रशिक्षित करने की आवश्यकता नहीं है। इसके विपरीत, पुराने मॉडल अक्सर उन पत्तियों का अनुमान लगाने में संघर्ष करते थे जिनके लिए उन्हें विशेष रूप से प्रशिक्षित नहीं किया गया था, जिसके लिए प्रत्येक के लिए अलग प्रशिक्षण की आवश्यकता होती थी। नए सिस्टम ने उन सभी को उसी उच्च स्तर की सटीकता के साथ संभाला।

अध्ययन ने यह भी देखा कि ये भविष्यवाणियां रेडिएशन थेरेपी को कैसे बेहतर बना सकती हैं। वर्तमान में, डॉक्टर अक्सर उपचार समाप्त होने के बाद मशीन के प्रदर्शन को सत्यापित करते हैं, जो गलतियों को सुधारने के लिए बहुत देर हो चुकी होती है। यह नई विधि उपचार शुरू होने से पहले ही त्रुटियों का अनुमान लगाने और उन्हें सुधारने का एक तरीका प्रदान करती है। संभावित विचलन की पहचान करके, यह प्रणाली यह सुनिश्चित करने में मदद कर सकती है कि दी जाने वाली खुराक नियोजित खुराक के अनुरूप हो, जिससे रोगियों को अनचाहे एक्सपोजर से बचाया जा सके। शोधकर्ताओं ने उल्लेख किया कि हालांकि उनका मॉडल अत्यधिक प्रभावी है, लेकिन इसका परीक्षण दो विशिष्ट प्रकार के रेडिएशन मशीनों के डेटा पर किया गया था। उन्होंने सुझाव दिया कि भविष्य के कार्यों में विभिन्न प्रकार की मशीनों का डेटा शामिल किया जाना चाहिए ताकि यह सुनिश्चित हो सके कि मॉडल हर जगह काम करे। हालाँकि, फिलहाल के लिए, यह अध्ययन प्रदर्शित करता है कि एक स्मार्ट खोज एल्गोरिदम को लर्निंग नेटवर्क के साथ जोड़कर, इन महत्वपूर्ण चिकित्सा उपकरणों की गतिविधियों का सटीक अनुमान लगाना संभव है, जो कैंसर उपचार को सुरक्षित और अधिक प्रभावी बनाने की दिशा में एक आशाजनक कदम है।