Doktoraty Wydziału IET

Ta strona jest tylko do odczytu. Możesz wyświetlić źródła tej strony ale nie możesz ich zmienić.
^   **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  ||

\\
----

==== Using supermodeling in computer simulation of cancer dynamics ====
     

//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.

----

==== Dokumenty ====

{{ :2021:klusek:adrian_klusek_recenzja_dr_rejniak.pdf| Recenzja - prof. Katarzyna Rejniak}}\\
{{ :2021:klusek:recenzja_aklusek_jpolanska.pdf | Recenzja - prof. dr hab. inż. Joanna Polańska}}\\
{{ :2021:klusek:Doktorat.pdf | Rozprawa}}
----

==== Ważniejsze publikacje doktoranta ====

  - Siwik Leszek, Loś Marcin, Kłusek Adrian, Pingali Keshav, Dzwinel Witold, & Paszyński Maciej. Supermodeling of tumor dynamics with parallel isogeometric analysis solver. arXiv preprint arXiv:1912.12836. submitted June 2020 to IEEE Transactions on Biomedical Engineering, IF=4.78 (MNiSzW 2019: 140/200) 
  - Łoś Marcin, Kłusek Adrian, Hassaan M.,A., Pingali Keshav, Dzwinel Witold, Paszyński Maciej, Parallel fast isogeometric L2 projection solver with GALOIS system for 3D tumor growth simulations, Computer Methods in Applied Mechanics and Engineering, 343, 1-22, 2019   IF = 4.44 (MNiSzW 2019: 200/200)
  - Kłusek Adrian, Łoś Marcin, Paszyński Maciej, Dzwinel Witold, Efficient model of tumor progression simulated in multi-GPU environment, International Journal of High Performance Computing Applications, 33(3), 489-506, 2019 IF = 2.015 (MNiSzW 2019: 70/200)
  - Siwik Leszek, Loś Marcin, Kłusek Adrian, Dzwinel Witold and Paszyński Maciej, Tuning Two-Dimensional Tumor Growth Simulations, Proceedings of 2018 Summer Simulation Multi-Conference - Summer Computer Simulation Conference SCSC 2018, July 9-12, 2018, Bordeoaux, France, pp. 8, ACM Conference Series CORE: B
  - Dzwinel Witold, Kłusek Adrian, Wcisło Rafał, Panuszewska Marta, Topa Paweł, Continuous and discrete models of melanoma progression simulated in multi-GPU environment, PPAM 2017, Lublin 10-13 September 2017, Lecture Notes in Computer Science, LNCS, 10777, 505-518, 2018  CORE: C
  - Łoś Marcin, Paszyński Maciej, Kłusek Adrian, Dzwinel Witold, Application of fast isogeometric L2 projection solver for tumor growth simulations, Computer Methods in Applied Mechanics and Engineering, 306, 1257–1269, 2017; IF = 3.92 (MNiSzW 2011: 45/50)
  - Dzwinel Witold, Kłusek Adrian, Paszyński Maciej, A concept of a prognostic system for personalized anti-tumor therapy based on supermodeling, International Conference of Computational Science, ICCS 2017, Zurich, 11-14.06.2017. Procedia of Computer Science, 108C (2017) 1832–1841 CORE: A
  - Dzwinel Witold, Kłusek Adrian, Vasilyev Oleg, Supermodeling in simulation of melanoma progression, 2016 International Conference of Computational Science, ICCS 2016, San Diego, 3-6.06.2016. Procedia of Computer Science, 80, 999-1010, 2016  CORE: A
  - Kłusek Adrian, Dzwinel Witold, Dudek Arkadiusz, Simulation of Tumor Necrosis in Primary Melanoma, Proceedings of 2016 Summer Simulation Multi-Conference - Summer Computer Simulation Conference SCSC 2016, July 24-27, 2016, Montreal, Canada, pp. 55-62, ACM ISBN: 1-56555-360-8 CORE: B
Doktoraty Wydziału IET

Narzędzia użytkownika

Narzędzia witryny

Narzędzia strony
