یک رویکرد مبتنی بر یادگیری تقویتی عمیق برای برنامه ریزی شخصی پرتو درمانی در بیماران مبتلا به گلیوبلاستوما

گلیوبلاستوما رایج ترین و کشنده ترین گونه از سرطان های اولیه مغز و دستگاه عصبی مرکزی است. رشد سریع سلول های گلیوبلاستوما و تمایل بالای آن ها به تهاجم به بافت سالم مغز تشخیص و درمان موثر بیماری را دشوار نموده است. از سوی دیگر پروتکل های درمانی استاندارد موجود به طور یکسان بر روی تمامی بیماران اجرا می شوند. این مقاله یک چارچوب بهینه سازی مبتنی بر شبیه سازی برای طراحی برنامه شخصی پرتو درمانی بیماران گلیوبلاستوما ارائه می کند. در چارچوب طراحی شده، پویایی زمانی مکانی تومور با توجه به مشخصات فردی بیمار شبیه سازی می شود. سپس یک عامل هوشمند مبتنی بر یادگیری تقویتی به جستجوی فضای جواب برای یافتن بهترین برنامه درمان شخصی می پردازد. شبیه سازی تومور شخصی با استفاده از مدل تکثیر تهاجم و اثر پرتو درمانی بر تومور با استفاده از مدل خطی نمایی مدلسازی شده و الگوریتم یادگیری عمیق برای بهینه سازی برنامه درمان مورد استفاده قرار گرفته است. به منظور صحت سنجی عملکرد مدل از اطلاعات بیماران شرکت کننده در کارآزمایی بالینی EORTC-NCIC استفاده شده است. نتایج حاصل از شبیه سازی برنامه درمان شخصی بر روی ۲۷۰ بیمار شرکت کننده در کارآزمایی بالینی، برتری برنامه درمان شخصی نسبت به برنامه درمانی استاندارد بدست آمده نشان دهنده برتری برنامه درمان شخصی در کاهش سایز تومور نسبت به پروتکل درمانی استاندارد در پایان دوره درمان است.

کلیدواژه ها:

گلیوبلاستوما ، درمان شخصی سازی شده ، یادگیری عمیق ، یادگیری تقویتی ، پرتو درمانی