Artificiellt intelligent programvara har utvecklats för att förbättra medicinska behandlingar som använder strålar av elektrifierad gas som kallas plasma. Datorkoden förutsäger de kemikalier som släpps ut av plasmaenheter, som kan användas för att behandla cancer, främja frisk vävnadstillväxt och sterilisera ytor.
Programvaran lärde sig att förutsäga cocktailen av kemikalier som kommer ut ur jetplanen baserat på data som samlats in under verkliga experiment och med hjälp av fysikens lagar som vägledning. Denna typ av artificiell intelligens (AI) är känd som maskininlärning eftersom systemet lär sig baserat på den information som tillhandahålls. Forskarna som var involverade i projektet publicerade en artikel om sin kod i Journal of Physics D:Applied Physics .
Den plasma som studerades i experimenten är känd som kall atmosfärisk plasma (CAP). När CAP-strålen slås på deltar många kemiska arter i plasman i tusentals reaktioner. Dessa kemikalier modifierar cellerna som genomgår behandling på olika sätt, beroende på strålens kemiska sammansättning. Även om forskare vet att CAP kan användas för att döda cancerceller, behandla sår och döda bakterier på mat, är det inte helt förstått varför.
"Denna forskning är ett steg mot att få en djupare förståelse för hur och varför CAP-jets fungerar och kan också en dag användas för att förfina deras användning", säger Yevgeny Raitses, en ledande forskningsfysiker vid det amerikanska energidepartementets Princeton Plasma Physics Laboratory. (PPPL).
Projektet slutfördes av Princeton Collaborative Low Temperature Plasma Research Facility (PCRF), ett samarbete mellan forskare vid PPPL och George Washington University (GWU).
PPPL har ett växande arbete som kombinerar sina 70 år av banbrytande plasmaforskning med sin expertis inom AI för att lösa samhällsproblem. Laboratoriets uppdrag sträcker sig bortom att använda plasma för att generera fusionskraft till dess användning inom områden som medicin och tillverkning, bland annat.
Programvaran använder en metod som kallas ett fysikinformerat neuralt nätverk (PINN). I en PINN organiseras data i delar som kallas noder och neuroner. Flödet av data efterliknar hur information bearbetas i den mänskliga hjärnan. Fysikens lagar läggs också till i koden.
"Att veta vad som kommer ut ur jetplanen är mycket viktigt. Att veta vad som kommer ut exakt är mycket svårt", säger Sophia Gershman, en ledande PPPL-forskningsingenjör från PCRF som arbetade med detta samarbetsprojekt. Processen skulle kräva flera olika enheter för att samla in olika typer av information om jetplanen.
"I praktiska studier är det svårt att gå och använda alla de olika tekniskt avancerade diagnostikerna på en gång för varje enhet och för olika typer av ytor som vi behandlar," förklarade Gershman.
Li Lin, en forskare från GWU och tidningens främsta författare, sa att det också är svårt att beräkna kemikalierna i en CAP-jet eftersom interaktionerna måste betraktas som en nanosekund i taget.
"När man tänker på att enheten är i drift i flera minuter, gör antalet beräkningar problemet mer än bara beräkningsintensivt. Det är praktiskt taget omöjligt", sa Lin. "Med maskininlärning kan du kringgå den komplicerade delen."
Projektet började med en liten uppsättning verkliga data som samlades in med en teknik som kallas Fourier-transform infraröd absorptionsspektroskopi. Forskarna använde den lilla datamängden för att skapa en bredare uppsättning data. Dessa data användes sedan för att träna det neurala nätverket med hjälp av en evolutionär algoritm, som är en typ av datorkod inspirerad av naturen som söker efter de bästa svaren med hjälp av en överlevnadsmodell.
Flera på varandra följande partier av data genereras med lite olika tillvägagångssätt, och endast de bästa datamängderna från varje omgång förs vidare till nästa träningsomgång tills de önskade resultaten uppnås.
I slutändan kunde teamet exakt beräkna kemiska koncentrationer, gastemperatur, elektrontemperatur och elektronkoncentration i den kalla atmosfäriska plasmastrålen baserat på data som samlats in under verkliga experiment.
I ett kallt atmosfäriskt plasma kan elektronerna - små, negativt laddade partiklar - vara mycket varma, även om de andra partiklarna är nära rumstemperatur. Elektronerna kan ha en tillräckligt låg koncentration för att plasman inte ska kännas varm eller bränna huden samtidigt som de kan ha en betydande effekt på målcellerna.
Michael Keidar, A. James Clark professor i teknik vid GWU och en frekvent samarbetspartner med PPPL som också arbetade med detta projekt, sa att det långsiktiga målet är att kunna utföra dessa beräkningar tillräckligt snabbt för att programvaran automatiskt kan justera plasman under en procedur för att optimera behandlingen. Keidar arbetar för närvarande på en prototyp av en sådan "plasma adaptiv" enhet i sitt labb.
"Helst kan det anpassas. Så som vi föreställer oss det, behandlar du patienten, och svaret från varje patient kommer att vara annorlunda," förklarade Keidar. "Så du kan mäta responsen i realtid och sedan försöka informera, med hjälp av feedback och maskininlärning, de rätta inställningarna i den plasmaproducerande enheten."
Mer forskning behöver göras för att perfekta en sådan enhet. Den här studien tittade till exempel på CAP-jetplanen över tid men bara vid en punkt i rymden. Ytterligare forskning skulle behöva bredda arbetet så att det beaktar flera punkter längs jetstrålningens utström.
Studien tittade också på plasmaplymen isolerat. Framtida experiment skulle behöva integrera de ytor som behandlas av plasman för att se hur det påverkar den kemiska sammansättningen på behandlingsplatsen.
Mer information: Li Lin et al, Datadriven förutsägelse av utgående sammansättning av en plasmastråle med atmosfärstryck, Journal of Physics D:Applied Physics (2023). DOI:10.1088/1361-6463/acfcc7
Tillhandahålls av Princeton Plasma Physics Laboratory
