Gliomas: arvioi hoitovaste paremmin algoritmin ansiosta

tausta

Gliomat ovat aivokasvaimia. Sitä voidaan hoitaa monin eri tavoin: esimerkiksi säteilyllä, kemoterapialla, kirurgisesti, kemoradioterapialla tai kokeellisesti. Kaikki glioomat eivät kuitenkaan reagoi yhtä hyvin yhden tyyppiseen hoitoon. Siksi tarvitaan menetelmiä, joilla voidaan ennustaa kasvainten hoitovaste mahdollisimman luotettavasti. Kasvainten kasvu kiinnostaa erityisesti tutkijoita ja hoitavia lääkäreitä.

Toistaiseksi aivokasvaimia on analysoitu käyttäen MRI-kuvia. Tätä tarkoitusta varten ns. RANO-kriteerejä (Response Assessment in Neuro-Oncology) käytettiin yhä useammin, ja MRI-kuvia analysoitiin pääasiassa kaksiulotteisesti ja manuaalisesti. Näitä kriteereitä voidaan käyttää arvioimaan, kuinka kauan kasvain todennäköisesti pysyy etenemättömänä. Tämä tekniikka tuo mukanaan joitain ongelmia, koska se perustuu oletukseen, että kasvaimet kasvavat pallomaisesti ja että niiden mittaaminen kaksiulotteisesti riittää antamaan lausuntoja kasvaimen tilavuudesta. Monet kasvaimet eivät kuitenkaan kasva tasaisesti kaikkiin suuntiin, koska ympäristö ja hoito vaikuttavat niihin voimakkaasti. Siksi ne ottavat usein monimutkaisia ​​muotoja ja kasvavat anisotrooppisesti. Tämän seurauksena kaksiulotteinen mittaus saavuttaa rajansa. Kolmiulotteiset mittausmenetelmät eivät kuitenkaan vielä sovi päivittäiseen kliiniseen käyttöön.

Tavoitteiden asettaminen

Tiimi Dr. Tutkimuksessaan Philipp Kickingereder Heidelbergin yliopistollisesta sairaalasta ja Saksan syöpätutkimuskeskuksesta Heidelbergissä asetti itselleen tavoitteen kehittää algoritmi keinotekoisen hermoverkon (ANN) avulla [1]. Tämän algoritmin pitäisi pystyä analysoimaan kvantitatiivisesti MRT-tallenteet täysin automaattisesti ja arvioimaan etenemisvapaa aika sekä ennustamaan hoitovaste glioomissa. Tavoitteena on vähentää kasvainten manuaalisen arvioinnin rajoituksia. Algoritmin tulisi olla upotettu klinikan kanssa yhteensopivaan ohjelmistoinfrastruktuuriin.

metodologia

Ensimmäisessä vaiheessa tutkijat käyttivät tietoja 455 potilaalta, joilla oli histologisesti vahvistetut glioblastoomat Heidelbergin yliopistollisessa sairaalassa, opettaakseen tekoälyä analysoimaan MRI-kuvia itsenäisesti ja standardoidusti ennalta määrättyjen kriteerien mukaisesti. Annoksena ANN: lle syötettiin neljä erilaista MRI-sekvenssiä, joille radiologit olivat kehittäneet kasvaimen segmenttimaskin etukäteen.

Sitten algoritmi tarkistettiin 40 muun potilaan pituussuuntaisten tietojoukkojen perusteella, joita hoidettiin Heidelbergissä histologisesti vahvistetulla glioblastoomalla tai matala-asteisella glioomalla, ja verrattiin tilastollisesti takautuvasti RANO: n saamiin tuloksiin. Samalla joukkue altisti algoritmin toiselle tarkistukselle käyttämällä monikeskustietoja. Tätä varten he käyttivät EORTC-26101-tutkimuksessa yhteensä 2034 MRI-kuvaa 532 potilaalta 38 instituutista. Molemmille tietojoukoille tekoäly kvantifioi kasvaimen tilavuuden spatiaalisen ja ajallisen dynamiikan ja laskee automaattisesti ajanjakson, kunnes kasvain eteni. Tutkijat vertasivat näitä tuloksia myös tilastollisesti noppakertoimen avulla hoidon aikana saatuihin RANO-pohjaisiin tuloksiin.

Viimeisessä vaiheessa Dr. Kickingereder ja hänen kollegansa kehittivät suoraan käyttökelpoisen ohjelmistoinfrastruktuurin tutkimustulostensa perusteella ja testasivat sitä simuloidussa kliinisessä ympäristössä potilaiden kanssa.

Tulokset

Tilastollisesti arvioituna ANN sai mediaanikertakertoimen 0,89 kontrastia tehostaville kasvaimille ja 0,93 tehostamattomille T2-signaalin poikkeavuuksille MRI: ssä Heidelberg-tietojoukoille ja 0,91 ja 0,93 EORTC-26101-tutkimuksen aineistoille . Etenemisvapaan ajan arvioimiseksi ANN-pohjainen kvantitatiivinen arvio hoitovasteesta oli merkittävästi parempi kuin RANO-pohjainen kokonaiselossaolo. Arvioinnin luotettavuus parani 36%.

Kasvainten hoitovasteen laskemiseksi simuloidussa klinikassa potilaiden kanssa tekoäly vaati kymmenen minuuttia tietokonetta skannausta kohti.

Johtopäätös

"534 glioblastoomapotilaan yli 2000 MRI-tutkimuksen arviointi kaikkialta Euroopasta osoittaa, että tietokonepohjainen lähestymistapa mahdollistaa luotettavamman hoitovasteen arvioinnin kuin se olisi mahdollista tavanomaisella manuaalisen mittauksen menetelmällä. Pystyimme parantamaan arvioinnin luotettavuutta 36 prosentilla. Tämä voi olla kriittinen hoidon tehon kuvantamiseen perustuvan arvioinnin kannalta kliinisissä tutkimuksissa. Uusi menetelmä mahdollisti myös kokonaiseloonjäämisen ennustamisen tarkemmin ", selittää tohtori Philipp Kickingereder [2].

Tulosten muuttamiseksi vankaksi järjestelmäksi, joka soveltuu jokapäiväiseen käyttöön ja joka on riittävästi testattu kliiniseen diagnostiikkaan, järjestelmän on nyt osoitettava itsensä mahdollisissa kliinisissä tutkimuksissa. Yhtiön omien tietojen mukaan tämä toteutetaan nyt osana tutkimusta, jonka tavoitteena on parantaa glioblastoomapotilaiden hoitoa Saksan syöpätutkimuskeskuksessa ja Heidelbergin kansallisessa kasvainsairauskeskuksessa (NCT).

!-- GDPR -->