Gliomas: jobban értékelje a kezelési választ egy algoritmusnak köszönhetően

háttér

A glioomák agydaganatok. Sokféle módon kezelhető: például sugárzással, kemoterápiával, műtéti úton, kemoradioterápiával vagy kísérletileg. Azonban nem minden glioma reagál egyformán jól egy típusú kezelésre. Ezért van szükség olyan módszerekre, amelyek a lehető legmegbízhatóbban képesek megjósolni a daganatok kezelési reakcióját. A daganatok növekedése különösen érdekli a tudósokat és a kezelő orvosokat.

Eddig az agydaganatokat MRI képek segítségével elemezték. Erre a célra egyre gyakrabban alkalmazták az úgynevezett RANO kritériumokat (Response Assessment in Neuro-Oncology), és az MRI képeket főként kétdimenziósan és manuálisan elemezték. Ezekkel a kritériumokkal megbecsülhető, hogy egy daganat valószínűleg meddig marad progressziómentes. Ez a technika azonban magával hoz némi problémát, mert azon a feltételezésen alapul, hogy a daganatok gömbölyűen nőnek, és elegendő kétdimenziósan mérni őket ahhoz, hogy megállapításokat tegyenek a tumor térfogatáról. Sok daganat azonban nem növekszik egyenletesen minden irányban, mert erősen befolyásolja őket a környezetük és a kezelés. Ezért gyakran bonyolult formákat öltenek és anizotrop módon növekednek. Ennek eredményeként a kétdimenziós mérés eléri a határait. A háromdimenziós mérési módszerek azonban még nem alkalmasak a mindennapi klinikai használatra.

Célmeghatározás

A csapat körül Dr. Tanulmányában Philipp Kickingereder a Heidelbergi Egyetemi Kórházból és a heidelbergi német rákkutató központból azt a célt tűzte ki maga elé, hogy mesterséges ideghálózatot (ANN) használva dolgozzon ki algoritmust [1]. Ennek az algoritmusnak képesnek kell lennie az MRT-felvételek teljes automatikus kvantitatív elemzésére, a progresszió nélküli idő becslésére, valamint a kezelési válasz előrejelzésére gliomákban. A cél a daganatok kézi értékelésének korlátainak csökkentése. Az algoritmust be kell ágyazni egy klinikával kompatibilis szoftverinfrastruktúrába.

módszertan

Első lépésben a tudósok a Heidelbergi Egyetemi Kórházban 455 szövettanilag igazolt glioblasztómában szenvedő beteg adatait használták fel arra, hogy a mesterséges intelligenciát megtanítsák az MRI képek független és szabványosított elemzésére, előre meghatározott kritériumok szerint. Inputként az ANN-ot négy különböző MRI-szekvenciával táplálták, amelyekre a radiológusok előre kidolgoztak egy tumor szegmentációs maszkot.

Ezután az algoritmust 40 másik, Heidelbergben szövettanilag igazolt glioblastomával vagy alacsony fokozatú gliomával kezelt beteg longitudinális adatsora alapján ellenőriztük, és statisztikailag retrospektív módon hasonlítottuk össze a RANO által kapott eredményekkel. Ugyanakkor a csapat egy multicentrikus adatok felhasználásával egy második ellenőrzésnek vetette alá az algoritmust. Ehhez az EORTC-26101 vizsgálatban 38 intézet 532 betegének összesen 2034 MRI képét használták fel. Mindkét adathalmaz esetében a mesterséges intelligencia számszerűsítette a daganat térfogatának térbeli és időbeli dinamikáját, és automatikusan kiszámította azt az időtartamot, amíg a daganat előrehalad. A tudósok ezeket az eredményeket statisztikailag is összehasonlították a kocka-együttható segítségével a kezelés során kapott RANO-alapú eredményekkel.

Utolsó lépésben dr. Kickingereder és munkatársai egy közvetlenül használható szoftverinfrastruktúrát fejlesztettek ki tanulmányaik eredményei alapján, és szimulált klinikai környezetben tesztelték a betegekkel.

Eredmények

Statisztikailag kiértékelve az ANN a kontraszterősített daganatok esetében 0,89 medián dice-együtthatót kapott, a Heidelberg-adatsorok esetében pedig 0,93-ot a nem fokozott T2 jel-rendellenességek esetén az MRI-ben, valamint az EORTC-26101 vizsgálat adatsorainál 0,91-et és 0,93-ot. . A progressziómentes idő megbecsülése érdekében a terápiás válasz ANN-alapú kvantitatív értékelése szignifikánsan jobb volt, mint a RANO-alapú teljes túlélés. Az értékelés megbízhatósága 36% -kal javult.

A daganatok terápiás válaszának kiszámításához a betegekkel végzett szimulált klinikán a mesterséges intelligenciának tíz perc számítógépes időre volt szüksége vizsgálatonként.

Következtetés

„Európa-szerte 534 glioblastoma-beteg több mint 2000 MR-vizsgálatának értékelése azt mutatja, hogy számítógépes megközelítésünk megbízhatóbb felmérést tesz lehetővé a terápiás válaszra, mint ami a kézi mérés hagyományos módszerével lehetséges lenne. 36 százalékkal tudtuk javítani az értékelés megbízhatóságát. Ez kritikus lehet a terápia hatékonyságának képalkotó alapú értékelése szempontjából a klinikai vizsgálatok során. Új módszerünk lehetővé tette az általános túlélés pontosabb előrejelzését is "- magyarázza Dr. Philipp Kickingereder [2].

Annak érdekében, hogy az eredmények egy mindennapi használatra alkalmas és a klinikai diagnosztikához kellően tesztelt robusztus rendszerré váljanak, a rendszernek most prospektív klinikai tanulmányokban kell bizonyítania. A vállalat saját információi szerint ezt most a glioblastoma betegek kezelésének javítását célzó tanulmány részeként hajtják végre a német rákkutató központban és a heidelbergi Országos Daganatos Betegségközpontban (NCT).