Aplicación de algoritmos de aprendizaje automático en la aceleración de la simulación del comportamiento biomecánico de la próstata

Abstract

[ES] Los avances en la modelización biomecánica de la próstata son esenciales para desarrollar nuevas aplicaciones clínicas, como la mejora de la guía en la braquiterapia. El propósito de esta guía es concentrar la dosis de radiación en los puntos donde se encuentra el tumor de próstata, evitando dañar el tejido sano circundante. El método de los elementos finitos (MEF) se utiliza ampliamente para predecir la deformación de los tejidos blandos humanos debido a su precisión. Sin embargo, el elevado coste computacional del MEF dificulta su integración en sistemas de cirugía asistida por ordenador en tiempo real. Una alternativa más rápida para simular el comportamiento mecánico de los órganos humanos en tiempo real es el uso de modelos de aprendizaje automático (ML). Este estudio evalúa la viabilidad de los métodos ML para modelar el comportamiento biomecánico de la próstata humana en tiempo real durante la introducción de una sonda de ultrasonidos en la braquiterapia. Se entrenaron cuatro modelos de regresión diferentes, incluyendo dos arquitecturas de redes neuronales y dos modelos basados en árboles (XGBoost y Random Forest). Para determinar los hiperparámetros óptimos se utilizó la estrategia Grid Search. Los mejores resultados de predicción se lograron con un Random Forest con un error euclidiano de 1,05 mm. No obstante, considerando el requisito de tiempo, el modelo XGBoost fue el más eficiente, con un error euclidiano de 1,11 mm y un RMSE de la tensión de Von Mises de 7, 48 × 10−4 MPa en un tiempo de predicción de 2,82 s. Los resultados obtenidos sientan las bases para el desarrollo futuro de un software en tiempo real capaz de simular la deformación de la próstata humana en entornos clínicos.

[EN] Advances in biomechanical modeling of the prostate are essential for developing new clinical applications, such as improving guidance in brachytherapy. The purpose of this guidance is to concentrate the radiation dose on the exact location of the prostate tumor, avoiding damage to the surrounding healthy tissue. The finite element method (FEM) is widely used to predict the deformation of human soft tissues due to its accuracy. However, the high computational cost of FEM hinders its integration into real-time computer-assisted surgery systems. A faster alternative for simulating the mechanical behavior of human organs in real-time is the use of machine learning (ML) models. This study evaluates the feasibility of ML methods for modeling the biomechanical behavior of the human prostate in real-time during the introduction of an ultrasound probe in brachytherapy. Four different regression models were trained, including two neural network architectures and two tree-based models (XGBoost and Random Forest). The Grid Search strategy was used to determine the optimal hyperparameters. The best prediction results were achieved with a Random Forest with a Euclidean error of 1.05 mm. However, considering the time requirement, the XGBoost model was the most efficient, with a Euclidean error of 1.11 mm and a prediction time of 2.82 s. The results lay the foundation for the future development of real-time software capable of simulating the deformation of the human prostate in clinical settings.

[CA] Els avanços en la modelització biomecànica de la pròstata són essencials per a desenvolupar noves aplicacions clíniques, com la millora de la guia en la braquiteràpia. El propòsit d’esta guia és concentrar la dosi de radiació en els punts on es troba el tumor de pròstata, evitant danyar el teixit sa circumdant. El mètode dels elements finits (MEF) s’utilitza àmpliament per a predir la deformació dels teixits blans humans a causa de la seua precisió. No obstant això, l’elevat cost computacional del MEF dificulta la seua integració en sistemes de cirurgia assistida per ordinador en temps real. Una alternativa més ràpida per a simular el comportament mecànic dels òrgans humans en temps real és l’ús de models d’aprenentatge automàtic (ML). Este estudi avalua la viabilitat dels mètodes ML per a modelar el comportament biomecànic de la pròstata humana en temps real durant la introducció d’una sonda d’ultrasons en la braquiteràpia. S’entrenaren quatre models de regressió diferents, incloent dos arquitectures de xarxes neuronals i dos models basats en arbres (XGBoost i Random Forest). Per a determinar els hiperparàmetres òptims es va utilitzar l’estratègia Grid Search. Els millors resultats de predicció es van aconseguir amb un Random Forest amb un error euclidià d’1,05 mm. No obstant això, considerant el requisit de temps, el model XGBoost va ser el més eficient, amb un error euclidià d’1,11 mm i un RMSE de la tensió de Von Mises de 7, 48 × 10−4 MPa en un temps de predicció de 2,82 s. Els resultats obtinguts senten les bases per al desenvolupament futur d’un software en temps real capaç de simular la deformació de la pròstata humana en entorns clínics.