Investigadores en Duke University Medical Center han desarrollado un sistema de detección asistida por computadora (CAD) basado en aprendizaje profundo para identificar metástasis cerebrales difíciles de detectar en imágenes de RM. El algoritmo exhibió una excelente sensibilidad y especificidad, superando a otros sistemas CAD en desarrollo. La herramienta muestra potencial para permitir la identificación más temprana de metástasis cerebrales emergentes, lo que les permite ser tratadas con radiocirugía estereotáctica (SRS) cuando aparecen por primera vez y, para algunos pacientes, reducir la cantidad de tratamientos requeridos.
La SRS, que utiliza haces de fotones enfocados con precisión para administrar una alta dosis de radiación a objetivos en el cerebro en una sola sesión de radioterapia, se está convirtiendo en el tratamiento de referencia para pacientes con un número limitado de metástasis cerebrales. Sin embargo, para atacar una metástasis, primero debe identificarse en una imagen de RM. Desafortunadamente, aproximadamente el 10% no lo son, el 30% para los menores de 3 mm de tamaño, incluso cuando son revisados por neurorradiólogos expertos.
Cuando estas metástasis cerebrales no descubiertas, a las que los investigadores se refieren como metástasis identificadas retrospectivamente (RIM), se identifican en resonancias magnéticas posteriores, generalmente se necesita un segundo tratamiento con SRS. Dicho tratamiento es costoso y puede ser incómodo e invasivo, y en ocasiones requiere la inmovilización de la cabeza con un marco asegurado al cráneo con alfileres.
En la reciente reunión anual de ASTRO, Devon Godofredo explicó que los investigadores diseñaron el sistema CAD basado en la red neuronal convolucional (CNN) específicamente para mejorar la detección y segmentación de RIM difíciles de detectar y metástasis identificadas prospectivamente (PIM) muy pequeñas. Godfrey y sus colegas describen la prueba y validación de este sistema en el Revista internacional de radiación en oncología, biología, física.
El equipo entrenó la herramienta CAD en datos de resonancia magnética (una secuencia de eco de gradiente estropeada mejorada con contraste) de 135 pacientes con 563 metástasis cerebrales. Las imágenes se adquirieron utilizando escáneres de resonancia magnética de 1.5 T y 3.0 T de diferentes proveedores en varias ubicaciones de Duke Health. En total, el conjunto de datos incluyó 491 PIM con una mediana de diámetro de 6.7 mm y 72 RIM de 32 pacientes con una mediana de diámetro de 2.7 mm.
Para identificar los RIM, los investigadores revisaron las imágenes de RM originales de cada paciente para buscar signos de realce de contraste en el lugar exacto donde se detectó una metástasis más tarde. Después de la revisión, clasificaron cada RIM como que cumplía con los criterios de diagnóstico basados en imágenes (+DC) o con información visual insuficiente (-DC) para ser identificado como una metástasis.
Los investigadores aleatorizaron el conjunto de datos de RIM y PIM en cinco grupos, utilizando cuatro de ellos para el desarrollo de modelos y algoritmos y uno como grupo de prueba. "La inclusión de los RIM +DC y -DC resultó en las sensibilidades más altas para cada categoría y tamaño de metástasis cerebrales, al tiempo que arrojó la tasa más baja de falsos positivos y el valor predictivo positivo más alto", informan. "Esto muestra un claro beneficio de incluir una muestra sobreponderada de pequeñas metástasis cerebrales desafiantes en los datos de entrenamiento CAD".
Para PIM y RIM +DC, que tienen características claras de metástasis en la RM, el modelo logró una sensibilidad general del 93 %, que va desde el 100 % para lesiones de más de 6 mm de diámetro hasta el 79 % para las de menos de 3 mm. La tasa de falsos positivos también fue impresionantemente baja, con una media de 2.7 por persona, en comparación con entre ocho y 35 en otros sistemas CAD con sensibilidad de detección comparable para lesiones pequeñas.
El sistema CAD también pudo detectar algunos de los RIM -DC tanto en los conjuntos de desarrollo como de prueba. La identificación de metástasis cerebrales en esta etapa más temprana sería una gran ventaja clínica, ya que tales lesiones podrían luego monitorearse más a fondo con imágenes, lo que provocaría el tratamiento si fuera necesario.
El equipo de Duke ahora está trabajando para mejorar la precisión de la herramienta CAD utilizando múltiples secuencias de RM. Godfrey explica que los estudios de resonancia magnética cerebral casi siempre incluyen múltiples secuencias de resonancia magnética que producen información única sobre cada vóxel en el cerebro. “Creemos que la incorporación de la información adicional disponible de estas otras secuencias debería mejorar su precisión”, dice.
Godfrey señala que los investigadores están a solo unas semanas de lanzar un estudio de uso clínico prospectivo simulado del sistema CAD existente para investigar cómo la herramienta afecta la toma de decisiones clínicas por parte de radiólogos y oncólogos radioterapeutas.
El aprendizaje profundo ayuda a los radiólogos a detectar el cáncer de pulmón en las radiografías de tórax
“Múltiples neurorradiólogos expertos y oncólogos de neurorradiación que realizan SRS recibirán escáneres de resonancia magnética del cerebro. Se les pedirá que encuentren cualquier lesión que pueda ser una metástasis cerebral, califiquen su nivel de confianza de que lo es y digan si tratarían la lesión con SRS, según su apariencia en las imágenes”, dice. Mundo de la física. “Luego les presentaremos las predicciones de CAD y evaluaremos el impacto de CAD en las decisiones clínicas de cada médico”.
Si este estudio de simulación arroja resultados prometedores, Godfrey anticipa implementar la herramienta CAD para ayudar a identificar prospectivamente metástasis cerebrales desafiantes en nuevos pacientes que reciben tratamiento en la clínica de oncología radioterápica de Duke bajo un protocolo de investigación, quizás a mediados de 2023.
