Gliomi: bolja procjena odgovora na liječenje zahvaljujući algoritmu

pozadini

Gliomi su tumori mozga. Može se liječiti na razne načine: na primjer zračenjem, kemoterapijom, kirurški, kemoradioterapijom ili eksperimentalno. Međutim, ne reagira svaki gliom jednako dobro na jednu vrstu liječenja. Zbog toga su potrebne metode koje mogu što pouzdanije predvidjeti odgovor na liječenje tumora. Rast tumora je od posebnog interesa za znanstvenike i liječnike koji liječe.

Do sada su tumori mozga analizirani pomoću MRI slika. U tu svrhu sve su se češće koristili takozvani RANO kriteriji (Response Assessment in Neuro-Oncology), a MRI slike uglavnom su analizirane dvodimenzionalno i ručno. Ovi se kriteriji mogu koristiti za procjenu koliko dugo će tumor vjerojatno ostati bez napredovanja. Međutim, ova tehnika sa sobom donosi i neke probleme, jer se temelji na pretpostavci da tumori rastu sferno i da ih je dovoljno izmjeriti dvodimenzionalno kako bi se dale izjave o volumenu tumora. Međutim, mnogi tumori ne rastu ravnomjerno u svim smjerovima jer su pod snažnim utjecajem njihove okoline i liječenja. Stoga često poprimaju komplicirane oblike i rastu anizotropno. Kao rezultat, dvodimenzionalno mjerenje doseže svoje granice. Međutim, trodimenzionalne metode mjerenja još nisu prikladne za svakodnevnu kliničku uporabu.

Postavljanje ciljeva

Tim oko Dr. U svojoj studiji Philipp Kickingereder iz Sveučilišne bolnice Heidelberg i Njemačkog centra za istraživanje raka u Heidelbergu postavio si je za cilj razviti algoritam pomoću umjetne neuronske mreže (ANN) [1]. Ovaj algoritam trebao bi biti u mogućnosti kvantitativno analizirati MRT snimke u potpunosti automatski i procijeniti vrijeme bez napredovanja, kao i predvidjeti odgovor na liječenje u gliomima. Cilj je smanjiti ograničenja ručne procjene tumora. Algoritam bi trebao biti ugrađen u kliničku kompatibilnu softversku infrastrukturu.

metodologija

U prvom su koraku znanstvenici koristili podatke 455 pacijenata s histološki potvrđenim glioblastomima u Sveučilišnoj bolnici Heidelberg kako bi naučili umjetnu inteligenciju analizirati MRI slike neovisno i na standardiziran način prema unaprijed određenim kriterijima. Kao ulaz, ANN je dobivao četiri različite MRI sekvence, za koje su radiolozi unaprijed razvili masku za segmentaciju tumora.

Algoritam je zatim provjeren na osnovi longitudinalnih skupova podataka od 40 drugih pacijenata liječenih u Heidelbergu s histološki potvrđenim glioblastomom ili gliomom niskog stupnja i statistički retrospektivno uspoređen s rezultatima dobivenima iz RANO-a. Istodobno, tim je algoritam podvrgao drugoj provjeri koristeći multicentrične podatke. Da bi to učinili, koristili su ukupno 2.034 MRI slike 532 pacijenta iz 38 instituta u studiji EORTC-26101. Za oba skupa podataka, umjetna inteligencija kvantificirala je prostornu i vremensku dinamiku volumena tumora i automatski izračunala vremensko razdoblje dok tumor ne napreduje. Znanstvenici su također statistički usporedili ove rezultate uz pomoć Dice koeficijenta s rezultatima na temelju RANO dobivenim tijekom liječenja.

U posljednjem koraku Dr. Kickingereder i njegovi kolege razvili su izravno korisnu softversku infrastrukturu na temelju rezultata svojih studija i testirali je u simuliranom kliničkom okruženju s pacijentima.

Rezultati

Statistički procijenjeno, ANN je dobio srednji koeficijent Dice od 0,89 za tumore s pojačanim kontrastom i 0,93 za ne pojačane abnormalnosti T2 signala u MRI za heidelberške skupove podataka i 0,91 i 0,93 za skupove podataka iz studije EORTC-26101 . Kako bi se procijenilo vrijeme bez progresije bolesti, kvantitativna procjena odgovora na terapiju na temelju ANN-a bila je značajno bolja od ukupnog preživljenja na temelju RANO-a. Pouzdanost procjene poboljšana je za 36%.

Da bi se izračunao terapijski odgovor tumora u simuliranoj klinici s pacijentima, umjetnoj inteligenciji trebalo je deset minuta računarskog vremena po snimanju.

Zaključak

„Procjena preko 2000 pregleda magnetnom rezonancom 534 pacijenta s glioblastomom iz cijele Europe pokazuje da naš računalni pristup omogućuje pouzdaniju procjenu odgovora na terapiju nego što bi to bilo moguće uobičajenom metodom ručnog mjerenja. Uspjeli smo poboljšati pouzdanost procjene za 36 posto. To može biti kritično za slikovnu procjenu učinkovitosti terapije u kliničkim ispitivanjima. Naša nova metoda također je omogućila preciznije predviđanje ukupnog preživljavanja ", objašnjava dr. Philipp Kickingereder [2].

Da bi se rezultati pretvorili u robustan sustav koji je prikladan za svakodnevnu upotrebu i koji je dovoljno ispitan za kliničku dijagnostiku, sustav se sada mora dokazati u prospektivnim kliničkim studijama. Prema vlastitim informacijama tvrtke, ovo se sada provodi u sklopu studije usmjerene na poboljšanje liječenja bolesnika s glioblastomom u Njemačkom centru za istraživanje raka i Nacionalnom centru za tumorske bolesti (NCT) u Heidelbergu.