Kunstigt intelligent software giver et detaljeret kig på plasmastråler, der bruges til at behandle kræft

Kunstigt intelligent software er blevet udviklet til at forbedre medicinske behandlinger, der bruger stråler af elektrificeret gas kendt som plasma. Computerkoden forudsiger de kemikalier, der udsendes af plasmaenheder, som kan bruges til at behandle kræft, fremme sund vævsvækst og sterilisere overflader.

Softwaren lærte at forudsige cocktailen af ​​kemikalier, der kommer ud af jetflyet baseret på data indsamlet under eksperimenter i den virkelige verden og ved at bruge fysikkens love til vejledning. Denne type kunstig intelligens (AI) er kendt som maskinlæring, fordi systemet lærer baseret på den information, der leveres. Forskerne involveret i projektet offentliggjorde en artikel om deres kode i Journal of Physics D:Applied Physics .

Det plasma, der blev undersøgt i eksperimenterne, er kendt som koldt atmosfærisk plasma (CAP). Når CAP-strålen tændes, deltager talrige kemiske arter i plasmaet i tusindvis af reaktioner. Disse kemikalier modificerer cellerne under behandling på forskellige måder, afhængigt af strålens kemiske sammensætning. Selvom videnskabsmænd ved, at CAP'er kan bruges til at dræbe kræftceller, behandle sår og dræbe bakterier på mad, er det ikke helt forstået hvorfor.

"Denne forskning er et skridt i retning af at opnå en dybere forståelse af, hvordan og hvorfor CAP-jetfly virker og kan også en dag blive brugt til at forfine deres brug," sagde Yevgeny Raitses, en administrerende forskningsfysiker ved det amerikanske energiministeriums Princeton Plasma Physics Laboratory. (PPPL).

Projektet blev afsluttet af Princeton Collaborative Low Temperature Plasma Research Facility (PCRF), et samarbejde mellem forskere ved PPPL og George Washington University (GWU).

PPPL har et voksende arbejde, der kombinerer sine 70 års banebrydende plasmaforskning med sin ekspertise inden for kunstig intelligens for at løse samfundsproblemer. Laboratoriets mission strækker sig ud over at bruge plasma til at generere fusionskraft til dets anvendelse inden for områder som medicin og fremstilling, blandt andre.

Softwaren bruger en tilgang kendt som et fysik-informeret neuralt netværk (PINN). I en PINN er data organiseret i dele kaldet noder og neuroner. Datastrømmen efterligner den måde, information behandles på i den menneskelige hjerne. Fysiske love er også tilføjet til koden.

"At vide, hvad der kommer ud af jetflyet, er meget vigtigt. Det er meget svært at vide, hvad der kommer ud præcist," sagde Sophia Gershman, en ledende PPPL-forskningsingeniør fra PCRF, som arbejdede på dette samarbejdsprojekt. Processen ville kræve flere forskellige enheder til at indsamle forskellige former for information om jetflyet.

"I praktiske studier er det svært at bruge alle de forskellige teknologisk avancerede diagnostik på én gang for hver enhed og for forskellige typer overflader, som vi behandler," forklarede Gershman.

Beregning af den kemiske sammensætning et nanosekund ad gangen

Li Lin, en forsker fra GWU og papirets primære forfatter, sagde, at det også er svært at beregne kemikalierne i en CAP-jet, fordi interaktionerne skal betragtes som et nanosekund ad gangen.

"Når man tænker på, at enheden er i drift i flere minutter, gør antallet af beregninger problemet mere end blot beregningsintensivt. Det er praktisk talt umuligt," sagde Lin. "Maskinlæring giver dig mulighed for at omgå den komplicerede del."

Projektet begyndte med et lille sæt af virkelige data, der blev indsamlet ved hjælp af en teknik kendt som Fourier-transform infrarød absorptionsspektroskopi. Forskerne brugte det lille datasæt til at skabe et bredere sæt data. Disse data blev derefter brugt til at træne det neurale netværk ved hjælp af en evolutionær algoritme, som er en type computerkode, der er inspireret af naturen, og som søger efter de bedste svar ved hjælp af en survival-of-the-fittest tilgang.

Flere på hinanden følgende batches af data genereres ved hjælp af lidt forskellige tilgange, og kun de bedste datasæt fra hver runde føres videre til næste træningsrunde, indtil de ønskede resultater er opnået.

I sidste ende var holdet i stand til nøjagtigt at beregne kemiske koncentrationer, gastemperatur, elektrontemperatur og elektronkoncentration af den kolde atmosfæriske plasmastråle baseret på data indsamlet under eksperimenter i den virkelige verden.

I et koldt atmosfærisk plasma kan elektronerne - små, negativt ladede partikler - være meget varme, selvom de andre partikler er tæt på stuetemperatur. Elektronerne kan være i en lav nok koncentration til, at plasmaet ikke føles varmt eller brænde huden, mens de stadig er i stand til at have en betydelig effekt på de målrettede celler.

På vej mod personlig plasmabehandling

Michael Keidar, A. James Clark professor i ingeniørvidenskab ved GWU og en hyppig samarbejdspartner med PPPL, som også arbejdede på dette projekt, sagde, at det langsigtede mål er at være i stand til at udføre disse beregninger hurtigt nok til, at softwaren automatisk kan justere plasmaet under en procedure for at optimere behandlingen. Keidar arbejder i øjeblikket på en prototype af sådan en "plasmaadaptiv" enhed i sit laboratorium.

"Ideelt set kan det personliggøres. Den måde, vi forestiller os det, behandler du patienten, og hver patients respons vil være anderledes," forklarede Keidar. "Så du kan måle responsen i realtid og derefter forsøge at informere, ved hjælp af feedback og maskinlæring, de rigtige indstillinger i den plasmaproducerende enhed."

Der skal gøres mere forskning for at perfektionere en sådan enhed. For eksempel så denne undersøgelse på CAP-jetflyet over tid, men kun på ét punkt i rummet. Yderligere forskning ville være nødvendigt for at udvide arbejdet, så det overvejer flere punkter langs jetflyets outputstrøm.

Undersøgelsen så også på plasmafanen isoleret. Fremtidige eksperimenter ville være nødt til at integrere overfladerne behandlet af plasmaet for at se, hvordan det påvirker den kemiske sammensætning på behandlingsstedet.

Flere oplysninger: Li Lin et al., Datadrevet forudsigelse af outputsammensætningen af ​​en atmosfærisk trykplasmastråle, Journal of Physics D:Applied Physics (2023). DOI:10.1088/1361-6463/acfcc7

Leveret af Princeton Plasma Physics Laboratory