[论文解读] Individualizing Glioma Radiotherapy Planning by Optimization of Data and Physics-Informed Discrete Loss

Michał Balcerak, Jonas Weidner+9 more|arXiv (Cornell University)|Dec 8, 2023

Mathematical Biology Tumor Growth被引用 5

一句话总结

本文提出 GliODIL，一种融合物理规律与数据驱动的框架，通过优化离散损失函数，从医学影像中推断个体化胶质母细胞瘤细胞分布。通过结合PDE约束优化、多重网格求解器与自动微分，GliODIL 实现了临床可行的计算时间（30–33分钟），在预测肿瘤扩散与复发方面优于基线方法，支持个性化放疗计划制定。

ABSTRACT

Brain tumor growth is unique to each glioma patient and extends beyond what is visible in imaging scans, infiltrating surrounding brain tissue. Understanding these hidden patient-specific progressions is essential for effective therapies. Current treatment plans for brain tumors, such as radiotherapy, typically involve delineating a uniform margin around the visible tumor on pre-treatment scans to target this invisible tumor growth. This "one size fits all" approach is derived from population studies and often fails to account for the nuances of individual patient conditions. We present the GliODIL framework, which infers the full spatial distribution of tumor cell concentration from available multi-modal imaging, leveraging a Fisher-Kolmogorov type physics model to describe tumor growth. This is achieved through the newly introduced method of Optimizing the Discrete Loss, where both data and physics-based constraints are softly assimilated into the solution. Our test dataset comprises 152 glioblastoma patients with pre-treatment imaging and post-treatment follow-ups for tumor recurrence monitoring. By blending data-driven techniques with physics-based constraints, GliODIL enhances recurrence prediction in radiotherapy planning, challenging traditional uniform margins and strict adherence to the Fisher-Kolmogorov partial differential equation model, which is adapted for complex cases.

研究动机与目标

• 为解决胶质母细胞瘤治疗中统一放疗边界导致的临床局限性，该方法可有效考虑个体化肿瘤浸润模式。
• 克服传统PDE约束优化方法在临床环境中计算不可行的问题。
• 通过整合患者特异性影像数据与生物物理驱动的PDE模型，提升肿瘤细胞分布估计的准确性。
• 开发一种在物理合理性与数据保真度之间取得平衡的方法，实现对肿瘤复发的可靠预测。
• 构建一种临床可行的个体化放疗计划框架，利用高效、可微分的PDE求解器。

提出的方法

• GliODIL 采用PDE约束优化方法，通过最小化复合损失函数来推断肿瘤细胞浓度场，该损失函数结合了离散PDE约束、初始条件强制与数据拟合项。
• 该方法使用有限差分法对PDE进行一致且稳定的离散化，确保数值一致性并支持高效优化。
• 采用多重网格方法加速优化过程中的收敛，将每位患者的计算时间缩短至一小时以内。
• 利用自动微分计算损失函数对模型参数与初始条件的梯度，支持端到端优化。
• 损失函数包含对肿瘤核心、水肿与PET数据的加权项，并引入正则化以将参数约束在生物学上合理的范围内。
• 通过具有特征扩散与增殖速率的前向模拟生成初始猜测，提升收敛速度与稳定性。

实验结果

研究问题

• RQ1 基于离散损失优化的PDE约束优化框架，能否在个体化胶质母细胞瘤放疗计划中实现临床可行的计算时间？
• RQ2 将影像数据（T1、T2、FLAIR、PET）与生物物理肿瘤生长模型相结合，能否提升肿瘤细胞分布预测的准确性？
• RQ3 与MCMC采样、LMI及PINNs等现有方法相比，GliODIL在预测肿瘤复发与浸润方面具有多大程度的性能优势？
• RQ4 与连续PDE近似相比，使用一致的离散PDE公式是否能提升参数估计的稳定性和准确性？
• RQ5 该方法是否能通过准确捕捉患者特异性肿瘤动力学，实现更个性化的放疗计划制定？

主要发现

• GliODIL 在单张GPU上实现每位患者30–33分钟的计算时间，显著快于基于MCMC的方法（1天），且与LMI方法（5分钟）相当。
• 在合成数据与真实患者数据上验证表明，该框架在预测肿瘤复发与估计肿瘤细胞分布方面优于所有基线方法。
• 通过采用离散且一致的PDE公式，GliODIL 确保了数值稳定性，并避免了连续PDE近似中常见的不准确性。
• 在损失函数中引入PET代谢数据，显著提升了对肿瘤核心与水肿区域分割预测的准确性。
• 基于特征参数的前向模拟生成初始猜测策略，显著提升了优化收敛性并减少了运行时间。
• 该方法能够以高保真度推断出患者特异性的肿瘤参数，如增殖率、浸润率与初始肿瘤位置。