PRZEWODNICZĄCY I RADA DYSCYPLINY INFORMATYKI TECHNICZNEJ I TELEKOMUNIKACJI AKADEMII GÓRNICZO-HUTNICZEJ im. ST. STASZICA W KRAKOWIE |
|
---|---|
zapraszają na publiczą dyskusję nad rozprawą doktorską mgr inż. Adriana Kłuska |
|
Using supermodeling in computer simulation of cancer dynamics | |
Termin: | 24 czerwca 2021 roku o godz. 9:00 |
Miejsce: | Online, https://tinyurl.com/3zetp65w |
PROMOTOR: | prof. dr hab. inż. Witold Dzwinel, Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie |
PROMOTOR POMOCNICZY: | dr hab. inż. Paweł Topa, Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie |
RECENZENCI: | prof. dr hab. inż. Joanna Polańska, Politechnika Śląska w Gliwicach prof. Katarzyna Rejniak, Moffitt Cancer Center & Research Institute |
Z rozprawą doktorską i opiniami recenzentów można się zapoznać w Czytelni Biblioteki Głównej AGH, al. Mickiewicza 30 |
mgr inż. Adrian Kłusek
Promotor: prof. dr hab. inż. Witold Dzwinel (AGH)
Promotor Pomocniczy: dr hab. inż. Paweł Topa (AGH)
Dyscyplina: Informatyka
Abstract:
Data assimilation (DA) is a key procedure that synchronizes a computer model with real observations. However, in the case of complex and multi-scale system modeling (such as a tumor evolution simulation), the solution space can expand exponentially with the number of parameters. This results in an unacceptably large computational overhead, which currently makes the use of tumor modeling an unrealistic dream as a prognostic tool in anticancer therapies. However, we believe that, by having a sufficiently fast model of cancer evolution, remission/degradation (due to anti-cancer therapy), and finally its recurrence, we could develop a prediction/correction scheme similar to that of weather/climate prediction that could be employed for supporting the decision processes in anti-cancer therapies. This cancer model should not only be quite computationally efficient but also sufficiently accurate in simulating the main mesoscopic (observable) phenomena of cancer evolution. On the other hand, it should allows for the fast data-assimilation process to a model that must smoothly follow the incoming real diagnostic data. To this end, we first developed (1) a 3D numerical heterogeneous model of cancer evolution that describes the main processes of its proliferation and degradation, (2) the boundary and initial conditions for modeling melanoma cancer, (3) the CPU implementation of the model by using a few numerical engines (based on both the finite difference [FDM] and finite element [FEM] methods), and (4) GPU implementations of the tumor models for these solvers. Moreover, we devised a novel and faster data-assimilation scheme that can overcome the curse of dimensionality and model overparameterization. To this end, we defined the supermodeling of a tumor as a kind of ensembling scheme that consists of a few sub-models representing various instances of a baseline cancer model. The sub-model parameters are fixed and selected with respect to expert knowledge. The sub-models are synchronized by one the most sensitive dynamical variable of a tumor model. Therefore, assuming that the supermodel consists of only a few coupled sub-models, the number of parameters in a baseline tumor model can greatly outnumber the quantity of the coupling factors in the supermodel (in our case, 34 and 6, respectively). This makes the supermodel the second level of abstraction of a model of cancer with a small number of latent parameters (the coupling factors of the sub-models) that can be matched to real observations in a relatively short time. In this thesis, we demonstrate that the supermodeling of cancer can be an interesting modeling paradigm that can be applied in the future in both predictive oncology and as a generic data-assimilation meta-procedure.
Streszczenie:
Asymilacja danych (DA) to kluczowa procedura synchronizująca model komputerowy z~rzeczywistymi obserwacjami. Jednak w~przypadku modelowania złożonych i~wieloskalowych systemów, takich jak symulacja ewolucji nowotworu, ogromna liczba parametrów może uniemożliwić ich dopasowanie do danych w~realistyczny czasie, potrzebnym do określenia metody leczenia i~oceny jej rokowań. Pojemna, rosnąca wykładniczo przestrzeń parametrów, powoduje niedopuszczalnie duży narzut obliczeniowy, który sprawia, że obecnie używane modelowania dynamiki nowotworów jako narzędzia prognostycznego w~terapiach przeciwnowotworowych jest nierealne. Uważamy jednak, że mając szybki obliczeniowo model ewolucji raka, jego zaniku (z~powodu leczenia lekami/radioterapią) i~wreszcie jego nawrotu, możemy opracować schemat typu prognoza/korekta, podobny do tego wykorzystywanego w przewidywaniu pogody/klimatu, który można zastosować w~celu wspierania procesów decyzyjnych w~terapiach przeciwnowotworowych w~onkologii predykcyjnej. Ten model raka powinien być nie tylko bardzo wydajny obliczeniowo, ale wystarczająco dokładny, aby umożliwić symulację głównych mezoskopowych (obserwowalnych) procesów towarzyszących ewolucji raka. Z~drugiej strony powinien pozwolić na szybką adaptację danych do modelu, która powinna umożliwić z~kolei płynne dostosowanie modelu do kolejnych obserwacji. W~tym celu najpierw opracowaliśmy: (1) numeryczny, heterogeniczny model ewolucji raka w~3D, który opisuje główne procesy jego wzrostu i~zaniku, (2) warunki brzegowe i~początkowe dla modelowania czerniaka złośliwego, (3) implementację modelu raka za pomocą kilku silników numerycznych (FDM i~FEM) na procesorach wielowątkowych, (4) implementacje modeli nowotworów dla tych solwerów w~środowisku procesora graficznego (GPU). Ponadto opracowaliśmy nowatorski i~szybki schemat asymilacji danych, który może rozwiązać problem przekleństwa wymiarowości w~złożonym modelu raka opisywanym wieloma parametrami. W~tym celu definiujemy supermodel guza jako rodzaj schematu łączenia podmodeli bazowych, który składa się z~kilku różnie sparametryzowanych podmodeli. Parametry są ustalone w~pod-modelach na podstawie wiedzy eksperckiej. Pod-modele są zsynchronizowane poprzez tylko jedną, najbardziej wrażliwą zmienną dynamiczną modelu nowotworu i~nawzajem ze sobą przez tą zmienną sprzężone. Dlatego, zakładając że supermodel to kilka połączonych podmodeli, liczba parametrów w~podstawowym modelu guza może znacznie przewyższyć liczbę czynników sprzęgania w~supermodelu (w naszym przypadku dla trzech pod-modeli, ten stosunek to odpowiednio 34:6). Można zatem potraktować supermodel jako drugi poziom abstrakcji podstwowego modelu raka z małą liczbą ukrytych parametrów (t.j. współczynników sprzęgania podmodeli), które można w~stosunkowo krótkim czasie dopasować do rzeczywistych obserwacji. W~tej pracy pokazuję, że supermodeling raka może być interesującym paradygmatem modelowania, który można zastosować w~przyszłości w onkologii predykcyjnej. Co więcej może stanowić meta-procedurę w~procesie asymilacji danych do każdego złożonego i~wieloparametrycznego modelu komputerowego.