Forscher bei Duke University Medical Center haben ein Deep-Learning-basiertes computergestütztes Erkennungssystem (CAD) entwickelt, um schwer zu erkennende Hirnmetastasen auf MR-Bildern zu identifizieren. Der Algorithmus zeigte eine hervorragende Sensitivität und Spezifität und übertraf damit andere CAD-Systeme in der Entwicklung. Das Tool zeigt das Potenzial, eine frühere Identifizierung neu auftretender Hirnmetastasen zu ermöglichen, sodass sie beim ersten Auftreten mit stereotaktischer Radiochirurgie (SRS) behandelt werden können und bei einigen Patienten die Anzahl der erforderlichen Behandlungen reduziert wird.
SRS, das präzise fokussierte Photonenstrahlen verwendet, um in einer einzigen Strahlentherapiesitzung eine hohe Strahlendosis an Ziele im Gehirn abzugeben, entwickelt sich zur Standardbehandlung für Patienten mit einer begrenzten Anzahl von Hirnmetastasen. Um eine Metastase anzuvisieren, muss diese jedoch zunächst auf einem MR-Bild identifiziert werden. Unglücklicherweise sind es ungefähr 10 % nicht, 30 % für diejenigen, die kleiner als 3 mm sind, selbst wenn sie von erfahrenen Neuroradiologen überprüft wurden.
Wenn diese unentdeckten Hirnmetastasen – die die Forscher als retrospektiv identifizierte Metastasen (RIMs) bezeichnen – bei nachfolgenden MRT-Scans identifiziert werden, ist normalerweise eine zweite SRS-Behandlung erforderlich. Eine solche Behandlung ist teuer und kann unbequem und invasiv sein und erfordert manchmal eine Immobilisierung des Kopfes mit einem Rahmen, der mit Stiften am Schädel befestigt ist.
Auf der letzten ASTRO-Jahrestagung Devon Godfrey erklärten, dass die Forscher das auf Convolutional Neural Network (CNN) basierende CAD-System speziell entwickelt haben, um die Erkennung und Segmentierung von schwer zu erkennenden RIMs und sehr kleinen prospektiv identifizierten Metastasen (PIMs) zu verbessern. Godfrey und Kollegen beschreiben das Testen und Validieren dieses Systems in der International Journal of Radiooncology Biology Physics.
Das Team trainierte das CAD-Tool mit MRT-Daten (einer kontrastmittelverstärkten gespoilerten Gradientenechosequenz) von 135 Patienten mit 563 Hirnmetastasen. Die Bilder wurden mit 1.5-T- und 3.0-T-MRT-Scannern von verschiedenen Anbietern an mehreren Standorten von Duke Health aufgenommen. Insgesamt umfasste der Datensatz 491 PIMs mit einem mittleren Durchmesser von 6.7 mm und 72 RIMs von 32 Patienten mit einem mittleren Durchmesser von 2.7 mm.
Um RIMs zu identifizieren, überprüften die Forscher die ursprünglichen MR-Bilder jedes Patienten, um nach Anzeichen einer Kontrastverstärkung genau an der Stelle zu suchen, an der später eine Metastase entdeckt wurde. Nach der Überprüfung stuften sie jedes RIM so ein, dass es entweder die bildgebenden diagnostischen Kriterien (+DC) erfüllte oder unzureichende visuelle Informationen (-DC) aufwies, um als Metastase identifiziert zu werden.
Die Forscher haben den Datensatz von RIMs und PIMs in fünf Gruppen randomisiert, von denen vier für die Modell- und Algorithmusentwicklung und eine als Testgruppe verwendet wurden. „Die Einbeziehung von +DC- und -DC-RIMs führte zu den höchsten Sensitivitäten für jede Kategorie und Größe von Hirnmetastasen und lieferte gleichzeitig die niedrigste falsch-positive Rate und den höchsten positiven Vorhersagewert“, berichten sie. „Dies zeigt einen klaren Vorteil der Einbeziehung einer übergewichteten Stichprobe kleiner, herausfordernder Hirnmetastasen in CAD-Trainingsdaten.“
Für PIMs und +DC RIMs – die klare Merkmale von Metastasen im MRT aufweisen – erreichte das Modell eine Gesamtsensitivität von 93 %, die von 100 % für Läsionen mit einem Durchmesser von mehr als 6 mm bis zu 79 % für Läsionen mit einem Durchmesser von weniger als 3 mm reichte. Auch die Falsch-Positiv-Rate war mit einem Mittelwert von 2.7 pro Person beeindruckend niedrig, verglichen mit zwischen acht und 35 bei anderen CAD-Systemen mit vergleichbarer Erkennungsempfindlichkeit für kleine Läsionen.
Das CAD-System war auch in der Lage, einige der -DC-RIMs sowohl im Entwicklungs- als auch im Testsatz zu erkennen. Die Identifizierung von Hirnmetastasen in diesem frühesten Stadium wäre ein großer klinischer Vorteil, da solche Läsionen dann gründlicher mit Bildgebung überwacht werden könnten, was bei Bedarf eine Behandlung veranlassen könnte.
Das Duke-Team arbeitet nun daran, die Genauigkeit des CAD-Tools zu verbessern, indem mehrere MR-Sequenzen verwendet werden. Godfrey erklärt, dass MRT-Untersuchungen des Gehirns fast immer mehrere MR-Sequenzen umfassen, die einzigartige Informationen über jedes Voxel im Gehirn liefern. „Wir glauben, dass die Einbeziehung der zusätzlichen Informationen, die aus diesen anderen Sequenzen verfügbar sind, ihre Genauigkeit verbessern sollte“, sagt er.
Godfrey merkt an, dass die Forscher nur noch wenige Wochen vom Start einer simulierten prospektiven klinischen Anwendungsstudie des bestehenden CAD-Systems entfernt sind, um zu untersuchen, wie sich das Tool auf die klinische Entscheidungsfindung sowohl von Radiologen als auch von Radioonkologen auswirkt.
Deep Learning hilft Radiologen, Lungenkrebs auf Röntgenaufnahmen des Brustkorbs zu erkennen
„Mehreren erfahrenen Neuroradiologen und Neuroradionkologen, die SRS durchführen, werden MR-Scans des Gehirns vorgelegt. Sie werden gebeten, jede Läsion zu finden, die eine Hirnmetastase sein könnte, ihr Vertrauensniveau zu bewerten und anzugeben, ob sie die Läsion mit SRS behandeln würden, basierend auf ihrem Erscheinungsbild auf den Bildern“, sagt er Physik-Welt. „Wir werden ihnen dann die CAD-Vorhersagen präsentieren und die Auswirkungen der CAD auf die klinischen Entscheidungen jedes Arztes bewerten.“
Wenn diese Simulationsstudie vielversprechende Ergebnisse liefert, geht Godfrey davon aus, das CAD-Tool einzusetzen, um prospektiv bei neuen Patienten, die in der Duke Radiooncology-Klinik im Rahmen eines Forschungsprotokolls behandelt werden, herausfordernde Hirnmetastasen zu identifizieren, vielleicht schon Mitte des Jahres 2023.
