Αίθουσα Γ1, την Τετάρτη (18/3/2026, στις 12:00 – 13:00)
ΦΟΙΤΗΤΗΣ: ΣΑΛΟΝΙΚΙΟΥ ΚΩΝΣΤΑΝΤΙΝΟΣ ΤΗ20362
ΤΙΤΛΟΣ: Χρήση Τεχνικών Μηχανικής Μάθησης για την Επιτάχυνση των Προσομοιώσεων Monte Carlo στην Ακτινοθεραπεία και τη Βελτιστοποίηση του Σχεδιασμού Θεραπείας
ΠΕΡΙΛΗΨΗ
Ο καρκίνος αποτελεί μία από τις κυριότερες αιτίες θνησιμότητας παγκοσμίως, με τη θεραπευτική του αντιμετώπιση να αποτελεί ένα από τα πλέον σημαντικά ζητήματα της σύγχρονης ιατρικής. Περίπου οι μισοί εκ των ασθενών που διαγιγνώσκονται με κακοήθη νεοπλασία υποβάλλονται, αναλόγως της ιατρικής ένδειξης και της κλινικής απόφασης, σε ακτινοθεραπεία, συχνά συνδυαστικά με λοιπές θεραπευτικές προσεγγίσεις όπως η χημειοθεραπεία και η χειρουργική επέμβαση.
Η αλληλεπίδραση της ιονίζουσας ακτινοβολίας με την ύλη, και ειδικότερα με τις ανατομικές δομές του ανθρώπινου ιστού, χαρακτηρίζεται από ιδιαίτερη φυσική πολυπλοκότητα. Η φυσική αλληλεπίδραση (ιονίζουσας ακτινοβολίας – ανθρώπινος ιστός) που λαμβάνει χώρα κατά την ακτινοθεραπεία περιγράφεται ρητώς από τις γραμμικές διαφορικές εξισώσεις του Boltzmann (LBTE). Καθώς ο αλγόριθμος που μελετάται και μοντελοποιείται είναι ο Acuros XB οπού αποτελεί την τελευταία λέξη της κλινική πράξης, παρέχοντας ακριβή υπολογισμό της κατανομής δόσης σε ετερογενή μέσα μέσω ντετερμινιστικής επίλυσης των εξισώσεων (LBTE), προσομοιώνοντας τη μεταφορά πρωτογενών και σκεδαζόμενων φωτονίων και τη συμβολή των παραγόμενων δευτερογενών ηλεκτρονίων στην τελική εναπόθεση ενέργειας.
Η μελέτη εστιάζει στην ακτινοθεραπεία του καρκίνου του πνεύμονα, ενός νεοπλάσματος που παρουσιάζει ιδιαίτερες δοσιμετρικές και κινηματικές προκλήσεις λόγω της έντονης ετερογένειας των ιστών της θωρακικής περιοχής και της αναπνευστικής κίνησης. Η ανάγκη για ταχεία και αξιόπιστη εξαγωγή κατανομών δόσης είναι ιδιαίτερα κρίσιμη στον πνεύμονα, όπου η αναπνευστική κίνηση και οι ενδοσυνεδριακές ή διασυνεδριακές ανατομικές μεταβολές καθιστούν αναγκαίες πιο ευέλικτες και προσαρμοστικές στρατηγικές θεραπείας, όπως η Adaptive Radiation Therapy. Πέραν του υπολογιστικού κόστους και του χρόνου εξαγωγής πλάνου, κεντρικές ακτινοθεραπευτικές προκλήσεις αποτελούν η μεγιστοποίηση της δόσης εντός του όγκου-στόχου (περιοχής ενδιαφέροντος της καρκινικής περιοχής), ώστε να επιτυγχάνονται οι ιατρικώς προτεινόμενες χορηγούμενες ακτινοθεραπευτικές δόσεις, με ταυτόχρονη προστασία των παρακείμενων ακτινοευαίσθητων οργάνων (OARs) σεβόμενοι τα δοσιμετρικά ακτινοπροστατευτικά όρια, διασφαλίζοντας τη βέλτιστη ισορροπία μεταξύ θεραπευτικής αποτελεσματικότητας και αποτροπής των μη αναστρέψιμων βλαβών σε OARs από την ακτινοβολία.
Στο πλαίσιο αυτής της εργασίας, παρουσιάζονται τεχνικές deep learning που επιτυγχάνουν τον ταχύ υπολογισμό κατανομών δόσης και την παραγωγή αποδοτικών ακτινοθεραπευτικών πλάνων. Αναλύεται αρχικά το ευθύ πρόβλημα δηλαδή η πρόβλεψη της τρισδιάστατης κατανομής απορροφούμενης δόσης για δεδομένη ανατομική γεωμετρία, πυκνότητα ιστών και ακτινοθεραπευτικού πλάνου και εν συνεχεία το αντίστροφο πρόβλημα η βελτιστοποίηση των παραμέτρων του πλάνου προς επίτευξη επιθυμητής κατανομής δόσης. Οι προτεινόμενες μεθοδολογίες συνιστούν πρωτότυπες ερευνητικές συμβολές που, εξ όσων προκύπτει από τη διεθνή βιβλιογραφία, δεν έχουν παρουσιαστεί αντίστοιχα στο ερευνητικό πεδίο, και αποσκοπούν στην αντιμετώπιση θεμελιωδών προβλημάτων της υπολογιστικής ακτινοφυσικής όπως τον υπολογισμό δόσης σε χρόνο συμβατό με κλινική ροή εργασίας, την αυτοματοποιημένη και γρήγορη βελτιστοποίηση πλάνων χωρίς επαναληπτική χειροκίνητη παρέμβαση, και τη δυνατότητα εφαρμογής πρωτοκόλλων προσαρμοστικής ακτινοθεραπείας σε ανατομικές περιοχές με σημαντική ενδο-κλασματική κινητικότητα.
Ο Επιβλέπων Καθηγητής
Τσικνάκης Μανώλης,
Καθηγητής