One scale to rule them all: interpretable multi-scale Deep Learning for predicting cell survival after proton and carbon ion irradiation

Sintesi Tecnica: Un'unica scala per regnare su tutti: Deep Learning multi-scala interpretabile per la previsione della sopravvivenza cellulare

Definizione del Problema
La relazione tra le caratteristiche fisiche dei campi di radiazione e il danno biologico è centrale nella radioterapia e nella radioprotezione. Tuttavia, il legame tra le scale spaziali del deposito di energia (nanometrica, micrometrica e macroscopica) e gli effetti biologici non è ancora del tutto compreso. La modellazione radiobiologica tradizionale si basa spesso su un singolo dominio spaziale — come il Trasferimento Lineare di Energia (LET) per le medie macroscopiche, la microdosimetria per le scale cellulari o la nanodosimetria per volumi delle dimensioni del DNA — trascurando la complessità sottostante della stochasticità delle radiazioni attraverso diverse scale. Una domanda critica aperta è se esista una dimensione specifica di scala che sia più rilevante per prevedere gli effetti biologici, o se queste scale siano complementari. Inoltre, sebbene il Deep Learning (DL) offra un'elevata accuratezza predittiva, la sua natura di "scatola nera" ne limita l'utilità in contesti clinici dove sono richiesti interpretabilità e intuizione meccanicistica.

Metodologia
Per affrontare queste sfide, gli autori hanno sviluppato un modello di Deep Learning interpretabile addestrato sul dataset Particle Irradiation Data Ensemble (PIDE), che contiene esperimenti di sopravvivenza cellulare per protoni e ioni carbonio.

• Data Augmentation: Lo studio ha aumentato il dataset PIDE simulando ulteriori descrittori fisici oltre ai parametri macroscopici convenzionali. Utilizzando i toolkit Monte Carlo MC-STARtrack e Open-TOPAS, gli autori hanno generato:
  • Quantità nanodosimetriche: Nello specifico, la funzione di distribuzione cumulativa complementare $F^*(n)$ delle dimensioni dei cluster di ionizzazione all'interno di volumi delle dimensioni del DNA, che correla con il danno al DNA complesso.
  • Quantità microdosimetriche: Energia lineare media ($\bar{y}_F$) e media di dose ($\bar{y}_D$), simulate in sfere d'acqua da 1-$\mu$m che rappresentano i nuclei cellulari.
  • Quantità macroscopiche: LET standard e valori di dose.
• Architettura del Modello: Il cuore dell'approccio è un'architettura basata su TabNet che impiega un meccanismo di attenzione sequenziale. A differenza delle reti neurali standard, questo modello opera attraverso una sequenza di passi decisionali. Ad ogni passo, un transformer attentivo produce una maschera di selezione delle caratteristiche sparse (utilizzando la funzione Sparsemax) per selezionare dinamicamente le caratteristiche di input rilevanti.
  • Interpretabilità: Il modello utilizza un "feature prior" che scoraggia la selezione ripetuta delle stesse caratteristiche attraverso i passi, promuovendo una selezione delle caratteristiche diversificata. Un termine di regolarizzazione della sparsità basato sull'entropia delle maschere di attenzione viene aggiunto all'obiettivo di addestramento. Questo design garantisce una "interpretabilità nativa", consentendo al modello di evidenziare quali scale spaziali contribuiscono alla decisione in ogni fase senza richiedere strumenti di spiegazione post-hoc come SHAP.
• Addestramento e Valutazione: Il modello è stato addestrato per prevedere i parametri di sopravvivenza cellulare derivati dal formalismo Lineare-Quadratico (LQ). Le prestazioni sono state valutate utilizzando l'Errore Assoluto Percentuale Medio (MAPE) e l'Errore Quadratico Medio (RMSE) su fold indipendenti del dataset. Le previsioni del modello sono state confrontate con modelli clinici stabiliti: il Modello Cinetico Microdosimetrico (MKM) e il Modello Local Effect Model (LEM) versione III.
• Endpoint: Lo studio si è concentrato su tre endpoint biologicamente significativi:
  1. La dose alla sopravvivenza del 10% ($D_{10}$), utilizzata per calcolare l'Efficacia Biologica Relativa (RBE).
  2. La sopravvivenza a 2 Gy (dose frazionata convenzionale).
  3. La pendenza iniziale della curva di sopravvivenza (limite di bassa dose), che riflette la radiosensibilità intrinseca.

Risultati Chiave

• Accuratezza Predittiva: Il modello DL multi-scala ha raggiunto un MAPE del 9,5% per le previsioni di RBE e ha dimostrato prestazioni superiori rispetto a MKM e LEM. Nello specifico, il modello ha ottenuto un RMSE medio di circa 0,1 per le linee cellulari V79 e HSG, superando significativamente MKM (0,8 e 0,2, rispettivamente) e LEM (1,3 e 0,5, rispettivamente).
• Importanza delle Caratteristiche e Contributo della Scala:
  • Nessuna Scala Dominante Unica: L'analisi ha rivelato che nessuna scala spaziale singola è predominante in tutte le condizioni. Inveve, il modello combina dinamicamente informazioni complementari.
  • Gerarchia delle Scale: Le quantità definite a domini spaziali più piccoli (nanodosimetria) esercitano generalmente un'influenza maggiore rispetto ai descrittori macroscopici. Nello specifico, il descrittore nanodosimetrico $F^*(1)$ ha mostrato costantemente l'attenzione più elevata per tutti gli endpoint.
  • Dipendenza dall'Endpoint:
    • Per $D_{10}$ e 2 Gy, l'attenzione era distribuita in modo più uniforme, con $\bar{y}_D$ e il LET che emergevano come influenti dopo $F^*(1)$.
    • Per il limite di bassa dose, le metriche nanodosimetriche hanno mostrato una chiara predominanza, con solo $\bar{y}_F$ che si avvicinava a un'importanza comparabile.
  • Dipendenza da Particella ed Energia:
    • Ioni Carbonio: La nanodosimetria è stata circa tre volte più importante per gli ioni carbonio rispetto ai protoni. Il modello ha catturato l'effetto "overkill" (diminuzione dell'efficacia biologica a LET molto elevati) senza termini di saturazione matematica espliciti, affidandosi invece all'interazione tra caratteristiche microdosimetriche e nanodosimetriche.
    • Protoni: La microdosimetria è diventata significativamente più importante ad energie più elevate, guidata principalmente da $\bar{y}_F$.
• Radiosensibilità: I pattern di attenzione del modello variavano in base alla radiosensibilità della linea cellulare (definita dal rapporto $\alpha_X/\beta_X$). Le linee altamente radiosensibili ($\alpha_X/\beta_X > 4$ Gy) mostravano un'attenzione più stabile tra le scale, mentre le linee meno sensibili mostravano un aumento dell'attenzione alla microdosimetria e al LET con l'energia.

Significatività e Rivendicazioni
Il paper sostiene che il suo contributo primario non sia semplicemente l'introduzione di un modello predittivo più accurato, ma l'indagine sull'interpretabilità nella modellazione radiobiologica multi-scala. Sfruttando un'architettura di DL trasparente, lo studio dimostra che:

1. L'integrazione Multi-scala è Essenziale: La previsione accurata degli effetti biologici indotti dalle radiazioni richiede l'integrazione di informazioni attraverso le scale nanodosimetriche, microdosimetriche e macroscopiche, piuttosto che affidarsi a un singolo descrittore fisico.
2. Intuizione Meccanicistica Basata sui Dati: Il modello permette ai contributi relativi delle diverse scale spaziali di emergere organicamente dai dati, liberi dai bias strutturali di modelli matematici predefiniti (come LEM o MKM).
3. Rilevanza Clinica: Il framework fornisce una nuova lente per comprendere come diverse scale di deposito di energia impattino i risultati biologici, offrendo spunti che potrebbero guidare l'ottimizzazione dei piani di trattamento della terapia con particelle.
4. Trasparenza: Il meccanismo di attenzione integrato fornisce un'interpretabilità nativa, affrontando una grande barriera all'adozione clinica dell'IA nella radioterapia, offrendo intuizioni trasparenti sul processo decisionale del modello.

Gli autori concludono che, sebbene lo studio attuale sia limitato dalla disponibilità di dati e dagli endpoint specifici utilizzati, l'approccio offre un'opportunità trasformativa per incorporare descrizioni fisiche e biologiche dettagliate nell'ottimizzazione dei piani di trattamento, facendo avanzare la precisione e la personalizzazione della terapia con particelle.