Doktorlar, yüksek hassasiyetli radyasyon tedavilerini belirlemek için kontur işlemi kullanırlar. Kontur işlemi, tıbbi görüntülerde tümörlerin boyutu ve şekli belirlendikten sonra, radyasyon tedavisi için hedef bölgelerin hacimlerinin belirlenmesinde yardımcı olur.

Texas Üniversitesi MD Anderson Kanser Merkezi’nden araştırmacılar, bu zaman alıcı ve istenmeyen yoğun süreci hızlandırmak ve iyileştirmek için derin öğrenmeyi kullanıyor.

Radyasyon onkologları kontur yapmak için bir hastanın tıbbi görüntülerini inceler, tümörlerin ve çevre dokuların hacimlerini hesaplar ve ne kadar radyasyon kullanılması gerektiğine karar verir.

İnsan hatası bu işlemler sırasında önemli bir değişkendir. Tümör hassas bir bölgedeyse ve doktor o bölgeye çok fazla radyoterapi uygularsa normal doku zarar görebilir. Çok az uygularsa, tümör büyümeye devam edebilir.

Yapay Zeka Yaklaşımı Değişkenliği Daraltmayı Amaçlıyor

Kontur işlemi mevcut durumda doktordan doktora da büyük ölçüde değişebilir. Hollanda’daki Utrecht Üniversitesi’nden yakın zamanda yapılan bir araştırma, bazı doktorların meslektaşları tarafından kararlaştırılanlardan sekiz kat daha büyük hedef hacimler önerdiğini buldu.

MD Anderson araştırmacıları, konturlama görevlerini üstlenmek için derin öğrenme algoritması geliştirdi. Yapay zeka tabanlı yaklaşımları, doktor değişkenliğini azaltacak ve bir tümörü kaçırma veya normal dokuları aşırı tedavi etme şansını azaltacak.

Araştırmacılar, 52 orofaringeal kanser hastasının verilerini analiz etmek için Texas Advanced Computing Center’daki (TACC) Maverick süper bilgisayarında bulunan NVIDIA Tesla GPU‘ları ve cuDNN ile hızlandırılmış TensorFlow derin öğrenme kütüphanesini kullandılar.

MD Anderson’da baş araştırmacı Laurence Court ve araştırmacı Carlos Cardenas, TACC ile yaptığı bir röportajda, “Bunu kendi GPU’muzda yapsaydık, iki ay sürerdi. Ancak bu işlemleri TACC’ye göndererek süreci paralel hale getirdik ve her hasta özelinde optimizasyon yaptık. TACC sistemini kullanmanın birçok avantajından faydalanmış olduk” dedi.

Geliştirilen derin öğrenme algoritması, doktorların kontur modellerini tanımlamak ve yeniden oluşturmak için sinir ağlarını kullandı. Bu süreç, araştırma ve tedaviyi daha verimli hale getirerek kanser tedavileri üzerinde önemli bir etkiye sahip olabilir. Örneğin, klinik deneyler yürüten araştırmacılar, radyoterapide sağlıklı dokuları kanserli dokulardan ayırırken belirsizlikleri azaltmak için kullanabilir ve bu da daha iyi klinik verilerle sonuçlanabilir.

Ayrıca, konturlama ve radyasyon tedavisi planlaması gibi zaman alıcı süreçleri otomatikleştirmek, çoğu düşük ve orta gelirli ülkelerde bulunan, kaynakları sınırlı olan kliniklerde hasta tedavilerinde büyük fayda sağlayabilir.

Gelecek yılın başlarında düşük gelirli ülkelerdeki ortak kanser merkezlerinde kullanıma sunmayı planladıkları otonom bir radyasyon tedavisi planlama aracı olan bir planlama asistanı geliştiriyorlar.

Yazının kaynağına buradan ulaşabilirsiniz.