นักวิจัยรายงานของ Duke University สามารถประมาณการที่แม่นยำของขนาดยา CT ซึ่งเหมาะสำหรับผู้ป่วยแต่ละรายภายในระยะเวลาการคำนวณที่ยอมรับได้ทางคลินิก Shobhit Sharmaและเพื่อนร่วมงานใช้วิธีการแบ่งส่วนภาพอัตโนมัติเพื่อสร้างแบบจำลองทางกายวิภาคที่กำหนดเองจากข้อมูล CT ของผู้ป่วย เมื่อรวมกับการจำลองการขนส่งโฟตอนของมอนติคาร์โล
และนำไปใช้กับโปรเซสเซอร์หลายตัวแบบขนาน
เทคนิคของทีมจะคำนวณภาระการแผ่รังสีที่กำหนดโดยการสแกนภายในเวลาไม่ถึงครึ่งนาที ซึ่งเร็วกว่าวิธีมอนติคาร์โลที่ไม่เป็นแบบขนานหลายร้อยเท่า การเข้าถึงประวัติการให้ยาส่วนบุคคลของผู้ป่วยจะช่วยให้แพทย์ตัดสินใจด้านต้นทุนและผลประโยชน์เกี่ยวกับขั้นตอนใดๆ ที่ตามมาที่จะให้ยาเพิ่มเติม
เมื่อประเมินปริมาณรังสีที่การสแกน CT scan ส่งไปยังอวัยวะของผู้ป่วย แพทย์จะต้องสร้างสมดุลระหว่างความแม่นยำกับการปฏิบัติจริง ค่าประมาณที่น่าเชื่อถือที่สุดได้มาจากการจำลองแบบมอนติคาร์โลซึ่งจำลองลักษณะทางกายวิภาคของผู้ป่วยแต่ละราย เรขาคณิต และคุณสมบัติอื่นๆ ของเครื่องสแกน แต่การจำลองดังกล่าวอาจใช้เวลาหลายชั่วโมงในการคำนวณ ซึ่งทำให้เกินขอบเขตของคลินิกที่มีเวลาจำกัด
ผลลัพธ์ที่เร็วขึ้นสามารถทำได้โดยใช้หน่วยประมวลผลกราฟิก (GPU) เฉพาะเพื่อทำการจำลอง แต่ Sharma กล่าวว่า “เครื่องมือที่มีอยู่ซึ่งใช้การคำนวณ GPU เพื่อเร่งกระบวนการขาดความเฉพาะเจาะจงของผู้ป่วยหรือสแกนเนอร์ซึ่งจำกัดความเกี่ยวข้องของพวกเขาในการให้ปริมาณ ประมาณการสำหรับผู้ป่วยรายใดรายหนึ่ง”
โมเดลคอมพิวเตอร์ที่หาซื้อได้ทั่วไป – ซึ่งมีหลายขนาดและประเภทร่างกาย – สามารถใช้แทนได้ แต่ไม่มีแบบจำลองทั่วไปที่ตรงกับลักษณะทางกายวิภาคเฉพาะของผู้ป่วย ดังนั้นสิ่งเหล่านี้จึงสามารถให้ค่าประมาณของขนาดยาที่ส่งได้เท่านั้น
วิธีแก้ปัญหาที่ชาร์มาและเพื่อนร่วมงานสำรวจ
ในการทดลองพิสูจน์หลักการ โดยใช้ชุดข้อมูล CT จริงจากอาสาสมัครที่เป็นผู้ใหญ่ 50 คน คือการติดตามผลการสแกนด้วยขั้นตอนอัตโนมัติที่แสดงอวัยวะภายในของผู้ป่วย กระบวนการแบ่งส่วนนี้ดำเนินการในสองขั้นตอน: ขั้นแรก โครงข่ายประสาทเทียมจะสร้างแบบจำลองเริ่มต้นจากชุดข้อมูล CT ของผู้ป่วย จากนั้น ช่องว่างในโมเดลจะถูกเติมโดยเปรียบเทียบกับไลบรารีของ phantoms การคำนวณที่มีอยู่ก่อน
นักวิจัยได้ใช้การจำลองการขนส่งด้วยรังสีของมอนติคาร์โลพร้อมกับแผนที่ 3 มิติโดยละเอียดเพื่อหาว่าผู้ป่วยได้รับพลังงานโฟตอนเอ็กซ์เรย์ในระหว่างการสแกน CT scan เช่นเดียวกับการบัญชีสำหรับกายวิภาคของผู้ป่วย การจำลองนี้ยังสามารถจัดการกับลักษณะเฉพาะใดๆ ของการตั้งค่า CT “การทำงานร่วมกันอย่างแข็งขันของเรากับผู้ผลิต CT รายใหญ่ช่วยให้เราสามารถจำลองส่วนประกอบที่เป็นกรรมสิทธิ์ได้อย่างแม่นยำ ซึ่งทำให้การประมาณปริมาณยาจากเครื่องมือของเรามีความจำเพาะเจาะจงสูง” ชาร์มากล่าว
ทีมงานใช้โค้ดที่ปรับให้เหมาะสมสำหรับการคำนวณแบบขนานโดย GPU หลายตัว พบว่าการจำลองใช้เวลาเฉลี่ย 24 วินาทีในการทำงานสำหรับผู้ป่วยแต่ละราย ซึ่งหมายความว่าขั้นตอนดังกล่าวสามารถนำไปใช้ได้โดยไม่กระทบกับขั้นตอนการทำงานทางคลินิกที่มีอยู่
เมื่อได้แสดงให้เห็นความเร็วของวิธีการ
ของพวกเขาแล้ว ชาร์มาและเพื่อนร่วมงานได้ทดสอบความถูกต้องโดยเปรียบเทียบกับการวัดขนาดยาในภาพลวงตาทางกายภาพ ซึ่งเป็นมาตรฐานทองคำสำหรับการตรวจสอบการจำลอง ทีมงานได้วางเครื่องวัดปริมาณรังสีเทอร์โมลูมิเนสเซนต์ (TLDs) ไว้ที่ตำแหน่งต่างๆ ภายในภูตผีมนุษย์สองรูป อันหนึ่งมีขนาดประมาณเด็กอายุ 5 ขวบ
อีกอันเป็นผู้ชายที่โตแล้ว เหมือนกับที่ทำกับคนไข้ที่เป็นมนุษย์ นักวิจัยได้ภาพ CT ของภูตผี แล้วแบ่งส่วน (คราวนี้ด้วยตนเอง) เพื่อสร้างแบบจำลองการคำนวณตามสั่ง โดยรวมแล้ว ปริมาณที่คำนวณได้เห็นด้วยกับค่าที่วัดโดย TLDs ไม่เกิน 10% ซึ่งนักวิจัยพิจารณาว่าเหมาะสม
ข้อจำกัดประการหนึ่งของเทคนิคในรูปแบบปัจจุบันคือการจัดการกับอิเล็กตรอนทุติยภูมิที่เกิดขึ้นเมื่อรังสีเอกซ์ถูกดูดกลืนเข้าสู่ร่างกาย รหัส Monte Carlo ที่นักวิจัยใช้อนุมานว่าโฟตอนส่งพลังงานไปยังจุดที่มีปฏิสัมพันธ์ครั้งแรก ในความเป็นจริง อิเล็กตรอนทุติยภูมิพาพลังงานไปในระยะทางสั้น ๆ ก่อนที่จะสะสมโดยอะตอมที่น่าตื่นเต้นและแตกตัวเป็นไอออนในตัวกลาง แม้ว่าจะไม่มีปัญหาในระดับที่แสดงให้เห็น การรักษาอิเล็กตรอนทุติยภูมิอย่างเต็มรูปแบบเป็นสิ่งสำคัญสำหรับการคำนวณขนาดยาบนตาชั่งด้วยกล้องจุลทรรศน์
“เนื่องจากโค้ดของเราไม่มีแบบจำลองใดๆ สำหรับการสุ่มตัวอย่างอิเล็กตรอนที่เกิดจากปฏิสัมพันธ์ของโฟตอน วิธีการของเราในรูปแบบปัจจุบันจึงไม่ใช่ตัวเลือกที่ดีที่สุดในการคำนวณขนาดยาที่ช่วงของอิเล็กตรอนมากกว่าขนาดว็อกเซลที่ใช้สำหรับแบบจำลองทางกายวิภาค” ชาร์มาอธิบาย “ต้องบอกว่าการรวมโมเดลเพิ่มเติมสำหรับการสร้างอิเล็กตรอนและการขนส่งใน MC-GPU นั้นเป็นไปได้และสามารถทำได้หากมีความจำเป็น”
คุณวางแผนที่จะทำอะไรต่อไป?
โมเดลปัจจุบันช่วยให้เราแก้ปัญหาคณิตศาสตร์ได้ แต่โซเชียลเน็ตเวิร์กจริง ๆ นั้นเหมาะสมกว่าสิ่งที่เราสามารถอธิบายได้ในปัจจุบัน ตัวอย่างเช่น สมาชิกในชุมชนบางคนอาจมีอิทธิพลต่อพลวัตของความคิดเห็นมากกว่าคนอื่นๆ ในขั้นต่อไปของการวิจัย เราจะศึกษาแบบจำลองเครือข่ายที่ซับซ้อนมากขึ้น ซึ่งเลียนแบบความแตกต่างของสังคมที่แท้จริง
Credit : lameworldofkopa.net macguinnesswinemerchants.com malusimperium.org merchantofglenorchy.com merrychristmasquoteswishes.com middletonspreserves.com monclerjacketsonlineshop.com nfopptv.com norgicpropecia.com pernajanmerenkavijat.com
