Optimal control of a tumor growth model with hyperbolic relaxation of the chemical potential

Titolo

Controllo ottimo di un modello di crescita tumorale con rilassamento iperbolico del potenziale chimico

1. Il Problema

L'articolo studia un problema di controllo ottimo per un modello di crescita tumorale basato su un'equazione di fase di tipo Cahn-Hilliard. La novità fondamentale rispetto alla letteratura esistente risiede nella sostituzione del termine di rilassamento parabolico del potenziale chimico (tipico $\partial_t \mu$) con un termine iperbolico ($\alpha \partial_{tt} \mu$, con $\alpha > 0$).

Il sistema di stato (equazioni 1.2–1.6) descrive l'evoluzione di tre variabili principali:

• $\phi$: il campo di fase (che distingue tra tessuto tumorale e sano).
• $\mu$: il potenziale chimico associato.
• $\sigma$: la concentrazione di nutrienti.

Il sistema include:

• Un termine di rilassamento iperbolico $\alpha \partial_{tt} \mu$ nell'equazione del potenziale chimico.
• Un termine di viscosità $\tau \partial_t \phi$ nell'equazione di Cahn-Hilliard.
• Termini di chemiotassi e proliferazione cellulare.
• Due variabili di controllo distribuite $u = (u_1, u_2)$:
  • $u_1$: somministrazione di un farmaco citotossico (accoppiato non linearmente a $\phi$ tramite una funzione di troncamento $h(\phi)$).
  • $u_2$: somministrazione di nutrienti o farmaci.

L'obiettivo è minimizzare un funzionale di costo $J$ (eq. 1.1) che penalizza:

1. La deviazione del campo di fase $\phi$ da un target desiderato $\hat{\phi}_Q$ nel dominio spazio-temporale.
2. La deviazione finale $\phi(T)$ da un target $\hat{\phi}_\Omega$.
3. L'energia del controllo ($L^2$).
4. Un termine di regolarizzazione $\kappa G(u)$, dove $G(u)$ è una funzione convessa e continua (es. norma $L^1$) introdotta per promuovere la sparsità del controllo (ovvero, ottenere controlli che siano nulli su sottoregioni dello spazio-tempo, riducendo così la dose di farmaco somministrata).

2. Metodologia e Ipotesi

Gli autori analizzano due casi distinti per il potenziale a doppio pozzo $F(\phi)$ che governa l'evoluzione della fase:

1. Potenziali Regolari: Come il potenziale quartico $F_{reg}(r) = \frac{1}{4}(1-r^2)^2$, definito su tutto $\mathbb{R}$.
2. Potenziali Singolari: Come il potenziale logaritmico $F_{log}$, definito solo su $(-1, 1)$, che è fisicamente più rilevante ma matematicamente più complesso a causa della divergenza della derivata agli estremi.

Strumenti Matematici:

• Spazi di Banach: Utilizzo di spazi funzionali appropriati (es. $H^2(0,T; V^*)$, $W^{1,\infty}$, ecc.) per garantire l'esistenza e la regolarità delle soluzioni.
• Condizione di Separazione Uniforme: Per i potenziali singolari, è cruciale dimostrare che la variabile di fase $\phi$ rimane strettamente all'interno dell'intervallo $(-1, 1)$ (separazione dai valori critici). Questo richiede ipotesi più forti sui dati e sui controlli (es. $u_1 \in L^\infty \cap L^2(0,T; V)$).
• Differenziabilità di Fréchet: Viene dimostrata la differenziabilità dell'operatore "controllo-stato" $S: u \mapsto (\mu, \phi, \sigma)$ tra spazi di Banach opportuni. Questo è un prerequisito fondamentale per derivare le condizioni di ottimalità.
• Sistema Adjoint: Viene introdotto un sistema di equazioni alle derivate parziali "retrograde" (nel tempo) per definire le variabili di stato aggiuntivo (o adjoint) $(p, q, r)$, necessarie per esprimere le condizioni di ottimalità.

3. Risultati Principali

A. Ben-postezza e Regolarità (Sezioni 2 e 3)

• Viene richiamato il risultato di ben-postezza (esistenza, unicità e regolarità) per il sistema di stato, già stabilito in lavori precedenti ([7]).
• Per i potenziali regolari, si dimostra che l'operatore controllo-stato è localmente Lipschitziano e, più importante, Fréchet-differenziabile.
• Per i potenziali singolari, la differenziabilità è garantita solo se si assume la condizione di separazione uniforme, che a sua volta richiede ipotesi di regolarità più stringenti sui controlli ammissibili.

B. Condizioni di Ottimalità del Primo Ordine (Sezioni 3.4 e 4)

• Viene derivata una disuguaglianza variazionale necessaria per l'ottimalità locale.
• La condizione è espressa in termini delle variabili di stato $(\mu, \phi, \sigma)$ e delle variabili adjoint $(p, q, r)$.
• In particolare, per il controllo $u$, la condizione assume la forma:
  $$\int_Q (d_0 + \kappa \lambda + b_3 u) \cdot (v - u) \geq 0 \quad \forall v \in U_{ad}$$
  dove $d_0$ dipende dalle variabili adjoint e dallo stato, e $\lambda$ appartiene al sottodifferenziale del funzionale di sparsità $G$.
• Per i potenziali singolari, vengono analizzati tre scenari specifici per aggirare le difficoltà tecniche legate alla regolarità del controllo $u_1$:
  1. $u_1$ fissato come dato (controllo solo su $u_2$).
  2. $u_1$ di tipo prodotto $u_1(x,t) = b_z(x)u(t)$ (controllo temporale solo).
  3. $u_1$ di forma affine generale tramite un operatore lineare.

C. Risultati di Sparsità (Sezione 5)

• Il contributo significativo riguarda l'analisi della sparsità quando $G(u) = \|u\|_{L^1(Q)}$.
• Viene dimostrato che esiste una soglia critica $\kappa$ tale che il controllo ottimo è nullo (cioè non si somministra farmaco) in quelle regioni spazio-temporali dove il modulo della variabile adjoint (pesata dalla funzione di troncamento) è inferiore a $\kappa$.
• In formule (Teorema 5.1):
  $$u_1(x,t) = 0 \iff |h(\phi(x,t))p(x,t)| \leq \kappa$$
  $$u_2(x,t) = 0 \iff |r(x,t)| \leq \kappa$$
• Questo risultato è cruciale per applicazioni mediche, poiché suggerisce strategie di trattamento "a intermittenza" o localizzate, riducendo la tossicità per il paziente.

4. Significato e Contributi

1. Innovazione nel Modello: L'introduzione del rilassamento iperbolico nel potenziale chimico per i modelli di crescita tumorale è un passo avanti rispetto ai modelli parabolici standard, permettendo di catturare effetti inerziali o di rilassamento più rapidi.
2. Trattamento Matematico Rigoroso: Il lavoro fornisce una trattazione completa che copre sia potenziali regolari che singolari, affrontando le difficoltà tecniche legate alla non-lipschitzianità dei potenziali singolari attraverso la condizione di separazione uniforme.
3. Applicabilità Clinica: La derivazione di condizioni di ottimalità che includono termini di sparsità offre un fondamento matematico solido per la progettazione di protocolli terapeutici che massimizzano l'efficacia del trattamento minimizzando l'esposizione ai farmaci (riduzione della dose).
4. Struttura delle Condizioni di Ottimalità: La capacità di esprimere le condizioni di ottimalità in forma di proiezione puntuale (o quasi) permette potenzialmente lo sviluppo di algoritmi numerici efficienti per il calcolo dei controlli ottimi.

In sintesi, il paper stabilisce un quadro teorico rigoroso per l'ottimizzazione di terapie tumorali basate su modelli di campo di fase avanzati, dimostrando come la scelta del termine di regolarizzazione (iperbolico) e del funzionale di costo (sparsità) influenzi sia la struttura matematica delle soluzioni che le strategie di controllo ottimali.