Intelligent and Adaptive Systems in Cancer Biomedicine
Metadata
Show metadataAppears in the following Collection
- Fysisk institutt [3663]
Abstract
Sammen med kirurgi er stråleterapi den behandling som helbreder flest kreftpasienter. Behandlingsresultatet er imidlertid avhengig av tilskrekkelig høye stråledose til kreftsvulsten, uten at omliggende friskt vev og organer utsettes for skadelig stråling. Dette forutsetter høy presisjon. Ofte vil svulsten bevege seg under selve behandling forårsaket av f.eks. pustebevegelser. For å være sikker på å treffe svulsten bestråles derfor ofte større områder enn ellers nødvendig. Konsekvensene er flere og mer alvorlige bivirkninger.Manish Kakar har arbeidet med to ulike strategier for å øke presisjonen i strålebehandling av kreftpasienter:
Ved å måle pustebevegelsen til brystkreftpasienter i en kort periode i staren av strålebehandlingen har det vist seg mulig å forutsi hvordan brystkreftvevet vil bevege seg under hele behandlingsforløpet. Til å forutsi denne bevegelsen er det brukt såkalte ’intelligente’ datamodeller. Ved å ta i bruk denne strategien blir bestrålingen mer målrettet og dosene til friskt lungevev blir mindre.
Den andre strategien har tatt utgangspunkt automatisk påvisning av kreftsvulsten hos lungekreftpasienter i CT-bilder tatt underveis i behandlingen. Automatisk påvisning av kreftsvulsten gjør det mulig å innskrenke bestrålingen til det området hvor svulsten til enhver tid befinner seg. Også her er ’intelligente’ datamodeller tatt i bruk.
Intelligente datamodeller kan også brukes til å forutsi hvordan en kreftsvulst vil respondere på behandling. Ved å ta MR-bilder tidlige i behandlingsforløpet har det vist seg mulig å forutsi behandlingsrespons ved bruk av forutsi effekten av strålebehandling i eksperimentelle kreftsvulster. Dette åpner muligheten for å skreddersy behandlingen til den enkelte pasient i større grad enn i dag.
Arbeidet ble utført ved Institutt for kreftforskning, Oslo Universitets Sykehus i samarbeid med Forsvarets Forskningsinstitutt, og er et eksempel på hvordan samarbeid på tvers av ulike fagfelt kan bidra til bedret kreftbehandling.
This work focuses on two different strategies for increasing precision in radiation therapy for cancer patients.
In the first approach, respiration motion is measured for a short period at the start of radiation therapy for breast cancer patients. These measurements are then used to predict the movement of the tumor during therapy. In order to predict the movement of the tumor, intelligent models are used. By using this approach, radiation therapy can be given more accurately thereby sparing normal tissue from irradiation.
The other approach is based upon automatic delineating of lesion in lung cancer patients from CT images taken during treatment. Automatic delineation of the lung lesion makes it possible to reduce the radiation to regions where the tumor is present at any given time. Again, intelligent models have been used for automatic delineation and recognition of the lung lesion.
Intelligent models can also be used to predict response of a lesion to a given treatment. By taking MR images in an early phase of the treatment, prediction of treatment response has been calculated on experimental lesion. This opens the possibility for designing treatment for individual patient on a greater level than done nowadays.
This work was done at the Department of Radiation Biology, Oslo University Hospital in collaboration with Norwegian Defense Research Establishment and is an example of as to how contributions from different academic disciplines can contribute towards betterment of cancer teatment.