Machine learning for real-time optical property recovery in interstitial photodynamic therapy

Machine learning for real-time optical property recovery in interstitial photodynamic therapy: a stimulation-based study

基于机器学习、用于光动力治疗的光学特性恢复：一项实时性研究

一、四个问题
1、要解决什么问题？
光动力治疗中，由于组织光学参数OPs、μa、μs的不确定性，难以制定高质量、针对特定患者——个性化的治疗计划。

产生问题的原因：
组织间的异质性（不同组织的光学参数不同）——蒙特卡洛解决；
患者特异性（同一组织、不同患者的光学参数不同）——how？；

关键：提高iPDT对OP变化的鲁棒性，实时适应参数变化

2、用了什么方法解决？
使用光剂量测量，通过机器学习的模型恢复患者特异性参数；
重新优化扩散器的光功率；

3、效果如何？
虚拟脑瘤模型的仿真实验显示，以上方法可显著降低相关组织的预测光剂量测量的不确定性。

4、还存在什么问题？

二、简介
针对实体肿瘤的光动力实验（比较少）：
NCT03735095针对局部晚期肺癌；
NCT03727061针对局部晚期头颈部肿瘤；
NCT03897491针对新诊断的幕上IDH野生型胶质母细胞瘤。

此前机器学习的方法在实时恢复光学特性时，依赖于反射光谱（ reflectance spectroscopy）和空间频域信息作为训练特征，对浅层组织比较有效，但是缺乏在深层病变组织中精确模拟光传播的能力。

三、本文方法
方法概述：
1、使用圆柱形扩散器（cylindrical diffusers）作为光源和探测器，以测量组织不同位置的光敏剂含量（light dosimetry measurements）；（操作简单、不会增加患者的不适感）
2、测量结果作为输入特征用于训练模型。

模型训练方法：
1、使用PDT-SPACE构建模型；（ PDT-SPACE链接：https://gitlab.com/FullMonte/pdt-space）
目的：使得肿瘤区域光敏剂剂量最大化，而最小化OAR（周围危险器官）的光穿透，以验证PDT在肿瘤治疗上的可行性；使用优化算法SA-RL优化源位置；
2、训练出一个通用的光学性质预测模型，用于预测不同光扩散器放置情况下的μa和μs；
3、将预测到的参数重新分配到PDT-SPACE内置引擎的扩散器；

实验验证对象：3D虚拟胶质母细胞瘤多形性肿瘤模型

实验结果：可以准确的恢复肿瘤的光学特性，能够通过恢复的光学特性参数快速的重新分配功率，提高了对光敏剂剂量的预测。

系统治疗的整体流程：原文3.1

四、本文的ML方法ML models for OP recovery
输入特征：肿瘤解剖信息、扩散器的数量、每个扩散器的恢复性能及其相对于另一个扩散器的位置和方向。

• 若不同肿瘤的特征数不同，则采用零填充的方式补全。（如大的肿瘤有1500个特征，而最小的肿瘤仅有27个特征，则将小肿瘤的特征采用特征补全的方式进行补全）由于特征数相差较大，亦导致PCA模型无效。

第一个ML模型：GBDT用于恢复光学特性
梯度增强决策树GBDT：适用于特征中非零特征较少的情况，不需要进行数据预处理，模型性能依赖于特征数量和数据大小，不支持多输出。

本文采用lightGBM模型（为GBDT的实现），使用Scikit-Learn的RandomizedSearchCV对几个参数(包括估计器或树的数量、树深度和用于计算梯度的学习速率)进行超参数调整，并在交叉验证集上找到最佳的模型性能。

第二个ML模型：ANN（人工神经网络）用于恢复光学特性

• ANN用于在缺少特征时，仍能输出有意义的结果。
• 我们使用ANN预测吸收和散射系数，预测其一时，需固定另一参数，原因是使用的成本度量，即均方误差，通常由较大的值主导。
• 为解决ANN难以确定适当网络结构的问题，进行了随机网格搜索和超参数调优，以找到在隐藏层数、神经元数和正则化率方面的最佳模型，并减少过拟合，从而在验证集上获得最佳性能(见章节3.4.4)。
  
• 输入特征后，先进行标准化，使之基于零均值和一个标准差的正态分布，以加快训练速度；
• 隐藏层激活函数tanh，输出层：ReLu
  

结果：
两种模型在预测µa时的精度均高于µs，GBDT模型更有可能推广到未见过的测试数据