Fast proton transport and neutron production in proton therapy using Fourier neural operators

Deze studie presenteert een Fourier Neural Operator-schijfmodel dat protontransport en neutronproductie in protontherapie binnen enkele seconden voorspelt met Monte Carlo-achtige nauwkeurigheid, waardoor real-time adaptieve bereikverificatie mogelijk wordt.

De kern

Snelheid en precisie: Hoe AI helpt bij het veilig maken van kankerbehandeling

Stel je voor dat je een zeer precieze laserstraal gebruikt om een tumor in het lichaam van een patiënt te vernietigen. Dit is wat protontherapie doet. Het is een wondermiddel: de straal geeft zijn energie precies op het moment dat hij de tumor raakt (een punt dat de "Bragg-piek" wordt genoemd), waardoor het gezonde weefsel eromheen ongeschonden blijft.

Maar hier zit een lastig probleem: het menselijk lichaam is niet egaal. Net als een auto die over een weg met gaten, asfalt en grind rijdt, verandert de snelheid en het pad van de protonen als ze door verschillende weefsels (zoals bot, spier of longweefsel) gaan. Als de straal iets te ver gaat, raakt hij gezond weefsel. Komt hij te kort, dan raakt hij de tumor niet volledig.

Om dit te voorkomen, willen artsen tijdens de behandeling "kijken" waar de straal precies stopt. Ze doen dit door te kijken naar neutronen (kleine deeltjes) die vrijkomen wanneer de protonen botsen. Het probleem? Het berekenen van waar die neutronen naartoe gaan, is voor een computer net zo moeilijk als het voorspellen van het weer voor de komende 100 jaar. Het duurt te lang (uren of dagen), terwijl de arts het antwoord nu nodig heeft.

De oplossing: Een slimme voorspeller (de "Neural Operator")

De auteurs van dit paper hebben een nieuwe manier bedacht om dit probleem op te lossen. Ze hebben een kunstmatige intelligentie (AI) getraind die fungeert als een super-snel voorspeller.

Hier is hoe het werkt, vertaald naar alledaagse beelden:

1. De "Rollende Bal" vs. De "Tijdsreis"

Stel je voor dat je een bal (de protonenstraal) door een tunnel (het lichaam) rolt.

• De oude manier (Monte Carlo): Dit is alsof je een film maakt van de bal die rolt, waarbij je elke botsing met elke steen in de tunnel één voor één berekent. Dit is extreem nauwkeurig, maar het duurt eeuwen om de film te draaien.
• De nieuwe manier (FNO - Fourier Neural Operators): De AI kijkt niet naar elke steen apart. In plaats daarvan leert de AI de patronen. Het is alsof je een ervaren gids hebt die de hele tunnel al kent. Zodra je de gids vertelt waar je begint en wat voor tunnel het is, zegt hij direct: "Hier buigt de bal af, hier vertraagt hij, en hier stopt hij."

2. Het "Auto-Regressieve" Trucje

De AI doet dit stap voor stap, alsof het een boek leest.

• Het begint bij het begin van de tunnel.
• Het berekent wat er gebeurt op punt A.
• Dan gebruikt het dat antwoord om te voorspellen wat er gebeurt op punt B.
• Dan punt C, D, E... tot aan het einde.

Dit noemen ze "auto-regressief". Het is als een domino-effect: als je weet hoe de eerste steen valt, weet de AI precies hoe de rest zal vallen, zonder dat je de hele keten opnieuw hoeft te simuleren.

3. Waarom is dit zo belangrijk?

In het verleden duurde het berekenen van deze neutronenpaden zo lang dat het onmogelijk was om het tijdens de behandeling te gebruiken.

• Vroeger: De computer doet uren rekenwerk. De arts wacht.
• Nu: De AI doet hetzelfde werk in 23 seconden.

Dat is een snelheidswinst van miljoenen keren! Het is alsof je van een fietsje overstapt op een raket.

4. De "Neutronen" als Boodschappers

Waarom kijken ze naar neutronen? Omdat deze deeltjes als boodschappers fungeren. Ze vertellen de arts: "Hé, de protonen zijn hier aangekomen en hebben hier gebotst."
De AI voorspelt niet alleen waar de neutronen zijn, maar ook hoe snel ze gaan en in welke richting ze vliegen. Dit is cruciaal omdat de richting en snelheid van de neutronen een spiegel zijn van wat de protonenstralen hebben gedaan.

5. De Resultaten: Bijna perfect

De onderzoekers hebben hun AI getest met een enorme hoeveelheid data (gesimuleerde röntgenfoto's van longen en verschillende stralen).

• Nauwkeurigheid: De AI was bijna net zo goed als de super-accurate, maar trage oude methode. Ze hadden een foutmarge van minder dan 1%.
• Snelheid: In plaats van dagen rekenen, deed het AI-systeem het in een paar seconden.
• Veiligheid: Omdat het zo snel is, kunnen artsen in de toekomst de behandeling live controleren. Als de straal een beetje afwijkt, kan de computer direct zeggen: "Stop! De straal gaat te diep!" en de behandeling aanpassen.

Conclusie

Kortom: Dit paper beschrijft hoe wetenschappers een "slimme voorspeller" hebben gebouwd die het gedrag van deeltjes in het lichaam in een flits kan berekenen. Het is alsof ze een magische kaart hebben gemaakt die aangeeft waar de straal precies stopt, waardoor protontherapie veiliger, sneller en nauwkeuriger wordt voor kankerpatiënten. Het is een grote stap naar een toekomst waar artsen tijdens de behandeling direct kunnen zien of het werk goed gaat.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Fast Proton Transport and Neutron Production in Proton Therapy using Fourier Neural Operators" in het Nederlands.

Probleemstelling

Protontherapie is een effectieve kankerbehandeling die gebruikmaakt van het Bragg-piek-effect om tumoren te bestralen met minimale schade aan gezond weefsel. Voor een nauwkeurige behandeling, vooral bij intensiteit-gemoduleerde protontherapie (IMPT), is in vivo range-verificatie (het controleren van het bereik van de protonenstroom tijdens de behandeling) essentieel. Een veelbelovende aanpak hiervoor is het detecteren van secundaire deeltjes, zoals snelle neutronen, die worden geproduceerd tijdens de interactie van protonen met weefsel.

De huidige "gouden standaard" voor het simuleren van deze processen zijn Monte Carlo (MC) methoden (zoals PHITS). Hoewel deze zeer nauwkeurig zijn, zijn ze computationally te duur om in real-time te worden uitgevoerd binnen een klinische workflow. Dit beperkt hun inzet voor adaptieve therapie of snelle prototyping van verificatiesystemen. Er is behoefte aan een surrogaatmodel dat de fase-ruimteverdelingen (ruimtelijk, hoek en energie) van zowel protonen als geproduceerde neutronen snel en nauwkeurig kan voorspellen.

Methodologie

De auteurs stellen een surrogaatmodel voor dat gebaseerd is op Fourier Neural Operators (FNO) en gradient-boosted trees. Het doel is het modelleren van het transport van protonen en de daaropvolgende productie van neutronen als een diepte-afhankelijk proces.

1. Theoretische Basis:

   • Het probleem wordt benaderd via de Lineaire Boltzmann Transportvergelijking (LBTE).
   • In plaats van de volledige 3D-ruimte en tijd te modelleren, wordt de diepte ($z$) behandeld als een pseudotijdsdimensie.
   • Het systeem wordt vereenvoudigd door aan te nemen dat de phantom lateraal homogeen is (onafhankelijkheid van de azimutale hoek), waardoor de dimensies worden gereduceerd tot straal ($R$), energie ($E$) en polaire hoek ($\theta$).

2. Architectuur:

   • Proton Transport ($G_p$): Een FNO die de verdeling van protonen recursief door de diepte voorspelt. Het model neemt de incidentele protonfase-ruimte en de materiaaleigenschappen (uitgedrukt als CT-getal en water-equivalente dikte) als input en leert de veranderingen in de verdeling stap voor stap.
   • Neutron Productie ($G_n$): Een tweede FNO die, gebaseerd op de voorspelde protonverdeling en het materiaal, de fase-ruimte van de geproduceerde neutronen berekent.
   • Intensiteit Functionals ($F^p, F^n$): Simpele regressiemodellen (XGBoost) die de relatieve intensiteit (aantal deeltjes) voorspellen om de absolute aantallen te bepalen, aangezien de FNO's alleen relatieve verdelingen leren.

3. Data Generatie:

   • Trainings- en testdata zijn gegenereerd met de PHITS Monte Carlo code.
   • Geometrieën zijn afgeleid van een thoracale CT-scan (Lung CT Segmentation Challenge), waarbij 47 unieke stralen door het weefsel zijn getraceerd om materiaalsequenties te krijgen.
   • Er zijn twee datasets gemaakt met verschillende primaire intensiteiten: ES8 ($10^8$protonen) en **ES9** ($10^9$ protonen) om het effect van statistische ruis te evalueren.
   • De data is gebinned in discrete ruimtes voor straal, energie en hoek.

4. Training:

   • De modellen zijn getraind met de Mean Absolute Error (MAE) als verliesfunctie.
   • Er is gebruikgemaakt van auto-regressieve training, waarbij het model leert om de verdeling van stap $k$ naar $k+1$ te voorspellen.

Belangrijkste Bijdragen

• Eerste toepassing van FNO's: Dit is, voor zover bekend, het eerste werk dat Fourier Neural Operators toepast voor het snelle surrogaatmodelleren van protontransport en neutronproductie in protontherapie.
• Gecombineerde fase-ruimtevoorspelling: Het model voorspelt niet alleen de dosis, maar de volledige ruimtelijke, energetische en hoekige verdelingen van zowel protonen als neutronen. Dit is cruciaal voor neutrongebaseerde range-verificatie.
• Auto-regressieve aanpak: Door het transport als een sequentieel proces te modelleren, kan het model generaliseren naar verschillende dieptes zonder de totale lengte van de sequentie vooraf te hoeven kennen.
• Open Data en Code: De auteurs hebben de datasets, verwerkte data en de modelcode openbaar gemaakt.

Resultaten

De prestaties zijn geëvalueerd op basis van verschillende metrieken, waaronder de L2-discrepantie, de Gamma-passing rate en de Wasserstein-afstand.

• Nauwkeurigheid:

  • Voor protonen werd een gemiddelde relatieve L2-discrepantie van 0.067 bereikt.
  • Voor neutronen was dit 0.137 (bij training op ES8) en 0.121 (bij training op ES9).
  • De Gamma-passing rate (2%/2mm) was extreem hoog: 99.95% voor protonen en 99.40% voor neutronen.
  • De Wasserstein-afstand (een maat voor de "werk" nodig om de verdeling te verschuiven) was onder de 1% van de bin-grootte, wat aangeeft dat de voorspellingen zeer dicht bij de grondwaarheid liggen.

• Invloed van Ruis:

  • Training met de hogere intensiteit dataset (ES9, $10^9$ protonen) leidde tot een verbetering van 12% tot 30% in de dichtheidsmetrieken ten opzichte van training met ES8. Dit bevestigt dat statistische ruis in de MC-data een beperkende factor is voor de nauwkeurigheid van het surrogaatmodel.

• Snelheid:

  • Het voorspellen van de volledige fase-ruimte over een diepte van 40 cm (800 stappen van 0,5 mm) kostte gemiddeld 23,17 seconden op een enkele NVIDIA A100 GPU.
  • Dit is een versnelling van orde grootte vergeleken met de Monte Carlo simulaties, die duizenden CPU-uren kostten voor dezelfde datasets.

Betekenis en Toekomstperspectief

De voorgestelde methode biedt een realistisch alternatief voor Monte Carlo simulaties in klinische workflows waar snelheid essentieel is.

• Klinische Toepassing: Het model kan worden gebruikt voor het prototypen en operationeel maken van range-verificatiesystemen die gebruikmaken van neutronen, evenals voor het schatten van neutron-dosis.
• Generalisatie: Het model toont robuustheid bij het generaliseren naar verschillende materiaalsequenties en bundelkarakteristieken, hoewel het momenteel beperkt is tot lateraal homogene phantom-geometrieën.
• Toekomstig Werk: De auteurs plannen om de beperkingen op te heffen, zoals het modelleren van volledige 3D-heterogeniteit (laterale variaties) en het verkennen van "zero-shot" super-resolutie. Ook wordt onderzocht hoe de inferentie-tijd verder kan worden verkort door parallelisatie.

Kortom, dit werk bewijst dat AI-gedreven operator-netwerken (FNO) in staat zijn om complexe fysische transportproblemen in de protontherapie met Monte Carlo-nauwkeurigheid te benaderen, maar dan binnen een fractie van de rekentijd.