Radyoterapi tedavisi sırasında hastanın doğal nefes alma hareketi, göğüs ve karın bölgesindeki tümörlerin hassas bir şekilde ışınlanmasını güçleştiren önemli bir faktör. Tedavi sistemlerindeki gecikme süresi, hedef bölgenin konumunda belirsizliklere yol açarak tedavi etkinliğini olumsuz etkiliyor.
ETH Zürich ve OvGU'dan araştırmacılar, bu problemi çözmek için MR görüntülerinde nefes hareketlerini önceden tahmin edebilen gelişmiş yapay zeka sistemleri geliştirdi. Çalışmada iki farklı yaklaşım karşılaştırıldı: anlık öğrenme algoritmaları ile eğitilen tekrarlayan sinir ağları (RNN) ve son dönemde zaman serisi tahminlemede yaygınlaşan transformer modeller.
RNN modelleri, değişen nefes alma düzenlerine gerçek zamanlı uyum sağlama kabiliyeti gösterirken, transformer modeller uzun vadeli bağımlılıkları yakalama konusunda üstün performans sergiliyor. Araştırmada 12 farklı göğüs ve üst karın MR görüntü serisi kullanıldı.
Sistem, Lucas-Kanade optik akış algoritması ile PCA (Temel Bileşen Analizi) tekniklerini birleştirerek nefes hareketlerini matematiksel olarak modelliyor. Bu sayede radyasyon tedavisinin gecikme süresini kompanse ederek, tümör dokusuna daha hassas ve etkili ışınlama yapılması mümkün hale geliyor.