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

Technische Samenvatting: Eén Schaal om Alles te Heersen: Interpreteerbaar Multi-schaal Deep Learning voor het Voorspellen van Celoverleving

Probleemstelling
De relatie tussen de fysieke kenmerken van bestralingsvelden en biologische schade staat centraal in radiotherapie en radioprotectie. De link tussen de ruimtelijke schalen van energieafzetting (nanometer, micrometer en macroscopisch) en biologische effecten wordt echter nog niet volledig begrepen. Traditionele radiobiologische modellering leunt vaak op een enkele ruimtelijke domein—zoals Lineaire Energie Overdracht (LET) voor macroscopische gemiddelden, microdosimetrie voor cellulaire schalen, of nanodosimetrie voor DNA-grootte volumes—waarbij de onderliggende complexiteit van radiologische stochasticiteit over verschillende schalen wordt genegeerd. Een cruciale open vraag is of er een specifieke domeingrootte bestaat die het meest relevant is voor het voorspellen van biologische effecten, of dat deze schalen complementair zijn. Bovendien biedt Deep Learning (DL) weliswaar een hoge voorspellende nauwkeurigheid, maar beperkt de "black box"-aard ervan de bruikbaarheid in klinische settings waar interpreteerbaarheid en mechanistisch inzicht vereist zijn.

Methodologie
Om deze uitdagingen aan te pakken, hebben de auteurs een interpreteerbaar Deep Learning-model ontwikkeld dat is getraind op de Particle Irradiation Data Ensemble (PIDE) dataset, die celoverlevingsexperimenten bevat voor protonen en koolstofionen.

• Data-augmentatie: De studie heeft de PIDE-dataset uitgebreid door aanvullende fysieke beschrijvers te simuleren buiten de conventionele macroscopische parameters. Met behulp van de MC-STARtrack en Open-TOPAS Monte Carlo toolkits genereerden de auteurs:
  • Nanodosimetrische grootheden: Specifiek de complementaire cumulatieve distributiefunctie $F^*(n)$ van ionisatieclustergroottes binnen DNA-grootte volumes, die correleert met complexe DNA-schade.
  • Microdosimetrische grootheden: Frequentie-gemiddelde ($\bar{y}_F$) en dosis-gemiddelde ($\bar{y}_D$) lineaire energie, gesimuleerd in 1-$\mu$m waterbollen die celkernen representeren.
  • Macroscopische grootheden: Standaard LET en dosiswaarden.
• Modelarchitectuur: De kern van de aanpak is een op TabNet gebaseerde architectuur die gebruikmaakt van een sequentieel aandachtmechanisme (attention mechanism). In tegen tegenstelling tot standaard neurale netwerken werkt dit model via een sequentie van beslissingsstappen. In elke stap produceert een attentive transformer een ijle (sparse) feature-selectiemasker (met behulp van de Sparsemax-functie) om relevant relevante input-features dynamisch te selecteren.
  • Interpreteerbaarheid: Het model maakt gebruik van een feature prior die de herhaalde selectie van dezelfde features in verschillende stappen ontmoedigt, wat diverse feature-selectie bevordert. Een ijle regularisatieterm gebaseerd op de entropie van de aandachtsmaskers wordt toegevoegd aan de trainingsdoelstelling. Dit ontwerp zorgt voor "native interpreteerbaarheid", waardoor het model kan benadrukken welke ruimtelijke schalen bijdragen aan de beslissing in elke stap zonder dat post-hoc verklaringstools zoals SHAP nodig zijn.
• Training en Evaluatie: Het model werd getraind om celoverlevingsparameters te voorspellen die afgeleid zijn van de Lineair-Kwadratische (LQ) formalisme. Prestaties werden geëvalueerd met behulp van Mean Absolute Percentage Error (MAPE) en Root Mean Square Error (RMSE) op onafhankelijke folds van de dataset. De voorspellingen van het model werden vergeleken met gevestigde klinische modellen: het Microdosimetric Kinetic Model (MKM) en het Local Effect Model (LEM) versie III.
• Eindpunten: De studie richtte zich op drie biologisch significante eindpunten:
  1. De dosis bij 10% overleving ($D_{10}$), gebruikt voor het berekenen van de Relative Biological Effectiveness (RBE).
  2. Overleving bij 2 Gy (conventionele fractionele dosis).
  3. De initiële helling van de overlevingscurve (laag-dosis limiet), wat de intrinsieke radiosensitiviteit reflecteert.

Belangrijkste Resultaten

• Voorspellende Nauwkeurigheid: Het multi-schaal DL-model bereikte een MAPE van 9,5% voor RBE-voorspellingen en vertoonde superieure prestaties vergeleken met MKM en LEM. Specifiek behaalde het model een gemiddelde RMSE van ongeveer 0,1 voor V79 en HSG cellijnen, waarmee het MKM (0,8 en 0,2 respectievelijk) en LEM (1,3 en 0,5 respectievelijk) aanzienlijk versloeg.
• Feature Belang en Schaalbijdrage:
  • Geen Enkele Dominante Schaal: De analyse toonde aan dat geen enkele ruimtelijke schaal dominant is onder alle condities. In plaats daarvan combineert het model dynamisch complementaire informatie.
  • Schaalhiërarchie: Grootheden gedefinieerd op kleinere ruimtelijke domeinen (nanodosimetrie) oefenen over het algemeen een grotere invloed uit dan macroscopische beschrijvers. Specifiek vertoonde de nanodosimetrische descriptor $F^*(1)$ consistent de hoogste aandacht over alle eindpunten heen.
  • Eindpuntafhankelijkheid:
    • Voor $D_{10}$ en 2 Gy was de aandacht meer gelijkmatig verdeeld, waarbij $\bar{y}_D$ en LET als invloedrijk naar voren kwamen na $F^*(1)$.
    • Voor de laag-dosis limiet vertoonden nanodosimetrische metrieken een duidelijke dominantie, waarbij alleen $\bar{y}_F$ een vergelijkbare belangrijkheid benaderde.
  • Deeltje- en Energieafhankelijkheid:
    • Koolstofionen: Nanodosimetrie was ongeveer drie keer belangrijker voor koolstofionen dan voor protonen. Het model ving het "overkill-effect" (afgenomen biologische effectiviteit bij zeer hoge LET) op zonder expliciete wiskundige verzadigingstermen, door vertrouwend op de interactie tussen microdosimetrische en nanodosimetrische features.
    • Protonen: Microdosimetrie werd aanzienlijk belangrijker bij hogere energieën, primair gedreven door $\bar{y}_F$.
• Radiosensitiviteit: De aandachtspatronen van het model varieerden op basis van de celijn-radiosensitiviteit (gedefinieerd door de $\alpha_X/\beta_X$ ratio). Hoog-radiosensitieve lijnen ($\alpha_X/\beta_X > 4$ Gy) vertoonden een stabielere aandacht over de schalen, terwijl minder sensitieve lijnen een toenemende aandacht voor microdosimetrie en LET vertoonden met de energie.

Significantie en Claims
Het artikel claimt dat de primaire bijdrage niet louter de introductie van een nauwkeuriger voorspellend model is, maar de onderzoek naar interpreteerbaarheid in multi-schaal radiobiologische modellering. Door gebruik te maken van een transparante DL-architectuur, demonstreert de studie dat:

1. Multi-schaal Integratie Essentieel is: Nauwkeurige voorspelling van door straling geïnduceerde biologische effecten vereist het integreren van informatie over nanodosimetrische, microdosimetrische en macroscopische schalen, in plaats van te vertrouwen op een enkele fysieke descriptor.
2. Data-gestuurde Mechanistische Inzicht: Het model laat de relatieve bijdragen van verschillende ruimtelijke schalen organisch voortkomen uit de data, vrij van de structurele biases van vooraf gedefinieerde wiskundige modellen (zoals LEM of MKM).
3. Klinische Relevantie: Het framework biedt een nieuw prisma om te begrijpen hoe verschillende schalen van energieafzetting biologische uitkomsten beïnvloeden, wat inzichten kan bieden die kunnen helpen bij de optimalisatie van behandelplannen voor deeltjestherapie.
4. Transparantie: Het ingebouwde aandachtmechanisme biedt native interpreteerbaarheid, wat een belangrijke barrière wegneemt voor de klinische adoptie van AI in radiotherapie door transparante inzichten te bieden in het besluitvormingsproces van het model.

De auteurs concluderen dat hoewel de huidige studie beperkt wordt door de beschikbaarheid van data en de specifieke eindpunten, de aanpak een transformerende kans biedt om gedetailleerde fysieke en biologische beschrijvingen te integreren in de optimalisatie van behandelplannen, wat de precisie en personalisatie van de deeltjestherapie vooruit helpt.