Ricercatori a Duke University Medical Center hanno sviluppato un sistema di rilevamento assistito da computer (CAD) basato sull'apprendimento profondo per identificare le metastasi cerebrali difficili da rilevare sulle immagini RM. L'algoritmo ha mostrato un'eccellente sensibilità e specificità, superando gli altri sistemi CAD in fase di sviluppo. Lo strumento mostra il potenziale per consentire l'identificazione precoce delle metastasi cerebrali emergenti, consentendo loro di essere mirate con la radiochirurgia stereotassica (SRS) quando compaiono per la prima volta e, per alcuni pazienti, riducendo il numero di trattamenti richiesti.
La SRS, che utilizza fasci di fotoni focalizzati con precisione per fornire un'elevata dose di radiazioni a bersagli nel cervello in una singola sessione di radioterapia, si sta evolvendo nel trattamento standard per i pazienti con un numero limitato di metastasi cerebrali. Per mirare a una metastasi, tuttavia, deve prima essere identificata su un'immagine RM. Sfortunatamente, circa il 10% non lo è, il 30% per quelli di dimensioni inferiori a 3 mm, anche se esaminati da esperti neuroradiologi.
Quando queste metastasi cerebrali non scoperte - che i ricercatori chiamano metastasi identificate retrospettivamente (RIM) - vengono identificate nelle successive scansioni MRI, di solito è necessario un secondo trattamento SRS. Tale trattamento è costoso e può essere scomodo e invasivo, a volte richiedendo l'immobilizzazione della testa con un telaio fissato al cranio mediante spilli.
Al recente meeting annuale di ASTRO, Devon Godfrey ha spiegato che i ricercatori hanno progettato il sistema CAD basato sulla rete neurale convoluzionale (CNN) specificamente per migliorare il rilevamento e la segmentazione di RIM difficili da rilevare e metastasi identificate prospetticamente (PIM) molto piccole. Godfrey e colleghi descrivono il test e la convalida di questo sistema nel Giornale internazionale di fisica della biologia dell'oncologia delle radiazioni.
Il team ha addestrato lo strumento CAD sui dati MRI (una sequenza di eco gradiente alterata con contrasto) di 135 pazienti con 563 metastasi cerebrali. Le immagini sono state acquisite utilizzando scanner MRI da 1.5 T e 3.0 T di diversi fornitori in più sedi Duke Health. In totale, il set di dati includeva 491 PIM con un diametro medio di 6.7 mm e 72 RIM di 32 pazienti, con un diametro mediano di 2.7 mm.
Per identificare i RIM, i ricercatori hanno esaminato le immagini RM originali di ciascun paziente per cercare segni di miglioramento del contrasto nella posizione esatta in cui è stata successivamente rilevata una metastasi. Dopo la revisione, hanno classificato ogni RIM come se soddisfacesse i criteri diagnostici basati sull'imaging (+DC) o con informazioni visive insufficienti (-DC) per essere identificato come metastasi.
I ricercatori hanno randomizzato il set di dati di RIM e PIM in cinque gruppi, utilizzando quattro di questi per lo sviluppo di modelli e algoritmi e uno come gruppo di test. "L'inclusione di entrambi i RIM +DC e -DC ha portato alla massima sensibilità per ogni categoria e dimensione di metastasi cerebrali, restituendo anche il più basso tasso di falsi positivi e il più alto valore predittivo positivo", riferiscono. "Questo mostra un chiaro vantaggio dell'inclusione di un campionamento sovrappeso di piccole metastasi cerebrali impegnative nei dati di addestramento CAD".
Per PIM e +DC RIM – che hanno chiare caratteristiche di metastasi alla risonanza magnetica – il modello ha raggiunto una sensibilità complessiva del 93%, che va dal 100% per lesioni di diametro superiore a 6 mm al 79% per quelle inferiori a 3 mm. Anche il tasso di falsi positivi è stato incredibilmente basso, con una media di 2.7 per persona, rispetto a un valore compreso tra 35 e XNUMX in altri sistemi CAD con sensibilità di rilevamento comparabile per piccole lesioni.
Il sistema CAD è stato anche in grado di rilevare alcuni RIM -DC sia nel set di sviluppo che in quello di test. L'identificazione delle metastasi cerebrali in questa prima fase sarebbe un grande vantaggio clinico, poiché tali lesioni potrebbero quindi essere monitorate in modo più approfondito con l'imaging, richiedendo il trattamento se necessario.
Il team Duke sta ora lavorando per migliorare la precisione dello strumento CAD utilizzando più sequenze RM. Godfrey spiega che gli studi di risonanza magnetica cerebrale includono quasi sempre più sequenze RM che producono informazioni uniche su ogni voxel nel cervello. "Riteniamo che incorporare le informazioni aggiuntive disponibili da queste altre sequenze dovrebbe migliorarne l'accuratezza", afferma.
Godfrey osserva che i ricercatori sono a poche settimane dal lancio di uno studio di uso clinico prospettico simulato del sistema CAD esistente per indagare su come lo strumento influisce sul processo decisionale clinico sia da parte dei radiologi che degli oncologi delle radiazioni.
Il deep learning aiuta i radiologi a rilevare il cancro ai polmoni sulle radiografie del torace
“Più esperti neuroradiologi e neuro-oncologi delle radiazioni che eseguono SRS verranno presentati con scansioni RM cerebrali. Verrà chiesto loro di trovare qualsiasi lesione che potrebbe essere una metastasi cerebrale, valutare il loro livello di confidenza e dichiarare se tratterebbero la lesione con SRS, in base al suo aspetto nelle immagini ", dice Mondo della fisica. "Quindi presenteremo loro le previsioni CAD e valuteremo l'impatto della CAD sulle decisioni cliniche di ciascun medico".
Se questo studio di simulazione produrrà risultati promettenti, Godfrey prevede di implementare lo strumento CAD per aiutare a identificare in modo prospettico metastasi cerebrali impegnative in nuovi pazienti in trattamento presso la clinica Duke Radiation Oncology nell'ambito di un protocollo di ricerca, forse già a metà del 2023.
