مقایسه ی الگوریتم های کوکو چندهدفه و ژنتیک در بهینه سازی پرتودرمانی با شدت متغیر

مقاله پژوهشی مقدمه: پرتودرمانی با شدت متغیر (Intensity-Modulated Radiation Therapy)  IMRTروش پیشرفته ای برای درمان سرطان است که دوز بالای پرتودرمانی را به تومور هدف می رساند و آسیب به اندام های حیاتی (OARs) را کاهش می دهد. پیچیدگی این روش، استفاده از بهینه سازی چندمعیاره (Multi-criteria optimization) MCO را برای تعادل بین پوشش تومور و محافظت از OARs ضروری می کند. این مطالعه عملکرد الگوریتم کوکو چندهدفه (Multi-objective cuckoo algorithm) MOCA و الگوریتم ژنتیک (Genetic algorithm)  GAرا در بهینه سازی برنامه ریزی IMRT مقایسه کرد. روش ها: داده های ۲۰ بیمار مبتلا به سرطان سر و گردن تحت درمان IMRT، مورد بررسی قرار گرفت. برنامه ریزی با الگوریتم های MOCA و GA انجام شد و عملکرد آن ها بر اساس هیستوگرام های حجم دوز (DVH)، شاخص تطابق (CI)، شاخص یکنواختی (HI) و زمان محاسباتی ارزیابی گردید. داده ها با آزمون های آماری تحلیل و مقایسه شدند. یافته ها: نتایج نشان داد که الگوریتم  MOCAعملکرد بهتری نسبت به GA داشت. الگوریتم MOCA میانگین پوشش تومور (D۹۵%)  را به میزان ۵/۹۸ درصد نسبت به ۲/۹۷ درصد GA بهبود داد (۰/۰۱ > P). همچنین، الگوریتم MOCA دوز متوسط اندام های حیاتی را به میزان ۸ درصد کاهش داد (۰/۰۵ > P) و زمان محاسباتی را ۲۵ درصد سریع تر از GA انجام داد. شاخص تطابق (CI) در الگوریتم MOCA بالاتر بود، اما شاخص یکنواختی (HI) بین دو الگوریتم تفاوت معناداری نداشت. نتیجه گیری: الگوریتم MOCA در مقایسه با GA در بهینه سازی برنامه ریزی IMRT عملکرد برتری نشان داد. این الگوریتم توانایی بهبود پوشش تومور، کاهش دوز اندام های حیاتی و افزایش کارآیی محاسباتی را داراست. با این حال، بررسی بیشتر برای تایید تعمیم پذیری و کاربرد بالینی آن در انواع دیگر سرطان ها ضروری است.

کلیدواژه ها:

پرتودرمانی ، تصمیم گیری چندمعیاره ، الگوریتم ها ، نئوپلاسم های سر و گردن ، برنامه ریزی درمان