Forskere hos Duke University Medical Center har udviklet et deep-learning-baseret computer-aided detection (CAD) system til at identificere svære at opdage hjernemetastaser på MR-billeder. Algoritmen udviste fremragende sensitivitet og specificitet og overgik andre CAD-systemer under udvikling. Værktøjet viser potentiale til at muliggøre tidligere identifikation af nye hjernemetastaser, hvilket gør det muligt for dem at blive målrettet med stereotaktisk radiokirurgi (SRS), når de først opstår, og for nogle patienter reducere antallet af nødvendige behandlinger.
SRS, som bruger præcist fokuserede fotonstråler til at levere en høj dosis stråling til mål i hjernen i en enkelt strålebehandlingssession, er ved at udvikle sig til standardbehandlingen for patienter med et begrænset antal hjernemetastaser. For at målrette en metastase skal den dog først identificeres på et MR-billede. Desværre er cirka 10 % ikke det, 30 % for dem, der er mindre end 3 mm store, selv når de er gennemgået af ekspert neuroradiologer.
Når disse uopdagede hjernemetastaser - som forskerne omtaler som retrospektivt identificerede metastaser (RIM'er) - identificeres på efterfølgende MR-scanninger, er en anden SRS-behandling normalt nødvendig. En sådan behandling er dyr og kan være ubehagelig og invasiv og kræver nogle gange hovedimmobilisering med en ramme fastgjort til kraniet med stifter.
På det nylige ASTRO årsmøde, Devon Godfrey forklarede, at forskerne designede det konvolutionelle neurale netværk (CNN)-baserede CAD-system specifikt for at forbedre påvisningen og segmenteringen af svære at opdage RIM'er og meget små prospektivt identificerede metastaser (PIM'er). Godfrey og kolleger beskriver test og validering af dette system i International Journal of Radiation Oncology Biology Physics.
Holdet trænede CAD-værktøjet på MRI-data (en kontrastforstærket forkælet gradientekkosekvens) fra 135 patienter med 563 hjernemetastaser. Billederne blev erhvervet ved hjælp af 1.5 T og 3.0 T MRI-scannere fra forskellige leverandører på flere Duke Health-lokationer. I alt omfattede datasættet 491 PIM'er med en mediandiameter på 6.7 mm og 72 RIM'er fra 32 patienter med en mediandiameter på 2.7 mm.
For at identificere RIM'er gennemgik forskerne hver patients originale MR-billeder for at søge efter tegn på kontrastforbedring på det nøjagtige sted, hvor en metastase senere blev opdaget. Efter gennemgang klassificerede de hver RIM som enten at have opfyldt billeddannelsesbaserede diagnostiske kriterier (+DC) eller at have utilstrækkelig visuel information (-DC) til at blive identificeret som en metastase.
Forskerne randomiserede datasættet af RIM'er og PIM'er i fem grupper, hvor de brugte fire af disse til model- og algoritmeudvikling og en som testgruppe. "Inkluderingen af både +DC og -DC RIM'er resulterede i den højeste følsomhed for hver hjernemetastasekategori og -størrelse, mens den også returnerede den laveste falsk-positive rate og den højeste positive prædiktive værdi," rapporterer de. "Dette viser en klar fordel ved at inkludere en overvægtig prøvetagning af små udfordrende hjernemetastaser til CAD træningsdata."
For PIM'er og +DC RIM'er - som har klare karakteristika for metastaser på MRI - opnåede modellen en samlet følsomhed på 93%, varierende fra 100% for læsioner større end 6 mm i diameter til 79% for dem, der er mindre end 3 mm. Den falsk-positive rate var også imponerende lav med et gennemsnit på 2.7 pr. person sammenlignet med mellem otte og 35 i andre CAD-systemer med sammenlignelig detektionsfølsomhed for små læsioner.
CAD-systemet var også i stand til at detektere nogle af -DC RIM'erne i både udviklings- og testsættene. Identifikation af hjernemetastaser på dette tidligste stadie ville være en stor klinisk fordel, da sådanne læsioner så kunne overvåges mere grundigt med billeddiagnostik, hvilket tilskynder til behandling, hvis det er nødvendigt.
Duke-teamet arbejder nu på at forbedre CAD-værktøjets nøjagtighed ved at bruge flere MR-sekvenser. Godfrey forklarer, at hjerne-MR-undersøgelser næsten altid inkluderer flere MR-sekvenser, der producerer unik information om hver voxel i hjernen. "Vi mener, at inkorporering af den yderligere information, der er tilgængelig fra disse andre sekvenser, burde forbedre dens nøjagtighed," siger han.
Godfrey bemærker, at forskerne er kun få uger væk fra at lancere en simuleret prospektiv klinisk brugsundersøgelse af det eksisterende CAD-system for at undersøge, hvordan værktøjet påvirker klinisk beslutningstagning hos både radiologer og strålingsonkologer.
Dyb læring hjælper radiologer med at opdage lungekræft på røntgenbilleder af thorax
"Flere ekspert neuroradiologer og neuro-stråling onkologer, der udfører SRS vil blive præsenteret for hjerne MR-scanninger. De vil blive bedt om at finde en hvilken som helst læsion, der kan være en hjernemetastase, vurdere deres sikkerhedsniveau, som det er, og oplyse, om de ville behandle læsionen med SRS, baseret på dens udseende på billederne,” fortæller han. Fysik verden. "Vi vil derefter præsentere dem for CAD-forudsigelserne og evaluere virkningen af CAD på hver læges kliniske beslutninger."
Hvis dette simuleringsstudie giver lovende resultater, forventer Godfrey at implementere CAD-værktøjet til at hjælpe med at identificere udfordrende hjernemetastaser prospektivt hos nye patienter, der behandles i Duke Radiation Oncology-klinikken under en forskningsprotokol, måske allerede i midten af 2023.
