Gliomas: labāk novērtējiet ārstēšanas reakciju, pateicoties algoritmam

fons

Gliomas ir smadzeņu audzēji. To var ārstēt ļoti dažādos veidos: piemēram, ar radiāciju, ar ķīmijterapiju, ķirurģiski, ar ķīmijterapijas terapiju vai eksperimentāli. Tomēr ne katra glioma vienādi labi reaģē uz viena veida ārstēšanu. Tāpēc ir nepieciešamas metodes, kas pēc iespējas ticamāk var paredzēt audzēju reakciju uz ārstēšanu. Audzēju augšana īpaši interesē zinātniekus un ārstējošos ārstus.

Līdz šim smadzeņu audzēji ir analizēti, izmantojot MRI attēlus. Šim nolūkam arvien biežāk tika izmantoti tā sauktie RANO kritēriji (Response Assessment in Neuro-Oncology), un MRI attēlus galvenokārt analizēja divdimensionāli un manuāli. Šos kritērijus var izmantot, lai novērtētu, cik ilgi audzējs varētu palikt bez progresēšanas. Tomēr šī metode rada dažas problēmas, jo tā ir balstīta uz pieņēmumu, ka audzēji aug sfēriski un ka ir pietiekami tos izmērīt divdimensionāli, lai sniegtu paziņojumus par audzēja apjomu. Tomēr daudzi audzēji neaug vienmērīgi visos virzienos, jo tos ļoti ietekmē viņu vide un ārstēšana. Tāpēc viņi bieži iegūst sarežģītas formas un aug anizotropiski. Rezultātā divdimensiju mērīšana sasniedz robežas. Tomēr trīsdimensiju mērīšanas metodes vēl nav piemērotas ikdienas klīniskai lietošanai.

Mērķu izvirzīšana

Komanda ap Dr. Savā pētījumā Filips Kikereders no Heidelbergas universitātes slimnīcas un Vācijas vēža pētījumu centra Heidelbergā izvirzīja sev mērķi izstrādāt algoritmu, izmantojot mākslīgo neironu tīklu (ANN) [1]. Šim algoritmam jāspēj pilnībā automātiski kvantitatīvi analizēt MRT ierakstus un novērtēt bezprogresēšanas laiku, kā arī paredzēt ārstēšanas reakciju gliomās. Mērķis ir samazināt audzēju manuālās novērtēšanas ierobežojumus. Algoritms jāiekļauj ar klīniku saderīgā programmatūras infrastruktūrā.

metodoloģija

Pirmajā posmā zinātnieki izmantoja datus no 455 pacientiem ar histoloģiski apstiprinātām glioblastomām Heidelbergas universitātes slimnīcā, lai iemācītu mākslīgo intelektu analizēt MRI attēlus neatkarīgi un standartizēti saskaņā ar iepriekš noteiktiem kritērijiem. Kā ievadu ANN tika barota ar četrām dažādām MRI sekvencēm, kurām radiologi iepriekš bija izstrādājuši audzēja segmentācijas masku.

Pēc tam algoritmu pārbaudīja, pamatojoties uz garengriezuma datu kopām no 40 citiem pacientiem, kuri Heidelbergā tika ārstēti ar histoloģiski apstiprinātu glioblastomu vai zemas pakāpes gliomu, un statistiski retrospektīvi salīdzināja ar RANO iegūtajiem rezultātiem. Tajā pašā laikā komanda pakļāva algoritmam otro pārbaudi, izmantojot daudzcentru datus. Lai to izdarītu, viņi EORTC-26101 pētījumā izmantoja kopumā 2034 MRI attēlus no 532 pacientiem no 38 institūtiem. Abām datu kopām mākslīgais intelekts kvantitatīvi noteica audzēja tilpuma telpisko un laika dinamiku un automātiski aprēķināja laika periodu, līdz audzējs progresēs. Zinātnieki šos rezultātus arī statistiski salīdzināja ar kauliņu koeficienta palīdzību ar ārstēšanas laikā iegūtajiem RANO balstītajiem rezultātiem.

Pēdējā solī Dr. Kikereders un viņa kolēģi, pamatojoties uz viņu pētījumu rezultātiem, izstrādāja tieši izmantojamu programmatūras infrastruktūru un pārbaudīja to simulētā klīniskā vidē ar pacientiem.

Rezultāti

Statistiski novērtējot, ANN ieguva vidējo kauliņu koeficientu 0,89 kontrastainiem audzējiem un 0,93 nepastiprinātām T2 signāla novirzēm MRI Heidelbergas datu kopām un 0,91 un 0,93 EORTC-26101 pētījuma datu kopām. . Lai novērtētu bezprogresēšanas laiku, uz ANN balstītais kvantitatīvais terapijas atbildes novērtējums bija ievērojami labāks nekā uz RANO balstītā kopējā dzīvildze. Novērtējuma ticamība tika uzlabota par 36%.

Lai aprēķinātu audzēju terapijas reakciju simulētā klīnikā ar pacientiem, mākslīgajam intelektam vajadzēja desmit minūtes datora laika uz skenēšanu.

Secinājums

“534 glioblastomas pacientu no visas Eiropas vairāk nekā 2000 MRI izmeklējumu novērtējums parāda, ka mūsu datorizētā pieeja ļauj ticamāk novērtēt terapijas reakciju, nekā tas būtu iespējams ar parasto manuālās mērīšanas metodi. Mēs varējām uzlabot novērtējuma ticamību par 36 procentiem. Tas var būt kritiski svarīgi, lai klīnisko pētījumu laikā novērtētu terapijas efektivitāti, izmantojot attēlveidošanu. Mūsu jaunā metode arī ļāva precīzāk paredzēt kopējo izdzīvošanu, "skaidro doktors Filips Kikereders [2].

Lai rezultātus pārvērstu par stabilu sistēmu, kas piemērota ikdienas lietošanai un ir pietiekami pārbaudīta klīniskai diagnostikai, sistēmai tagad ir jāpierāda perspektīvajos klīniskajos pētījumos. Saskaņā ar paša uzņēmuma informāciju tas tagad tiek īstenots kā daļa no pētījuma, kura mērķis ir uzlabot glioblastomas slimnieku ārstēšanu Vācijas vēža pētījumu centrā un Nacionālajā audzēju slimību centrā (NCT) Heidelbergā.