Onderzoekers bij Duke University Medical Center hebben een op deep learning gebaseerd computerondersteund detectiesysteem (CAD) ontwikkeld om moeilijk te detecteren hersenmetastasen op MR-beelden te identificeren. Het algoritme vertoonde een uitstekende gevoeligheid en specificiteit en presteerde beter dan andere CAD-systemen in ontwikkeling. De tool toont de mogelijkheid om opkomende hersenmetastasen eerder te identificeren, waardoor ze gericht kunnen worden met stereotactische radiochirurgie (SRS) wanneer ze voor het eerst verschijnen en, voor sommige patiënten, het aantal vereiste behandelingen kan verminderen.
SRS, dat nauwkeurig gefocuste fotonenbundels gebruikt om in één enkele radiotherapiesessie een hoge dosis straling af te geven aan doelen in de hersenen, evolueert naar de standaardbehandeling voor patiënten met een beperkt aantal hersenmetastasen. Om een metastase echter aan te pakken, moet deze eerst op een MR-beeld worden geïdentificeerd. Helaas is ongeveer 10% dat niet, 30% voor degenen die kleiner zijn dan 3 mm, zelfs na beoordeling door deskundige neuroradiologen.
Wanneer deze onontdekte hersenmetastasen - die de onderzoekers retrospectief geïdentificeerde metastasen (RIM's) noemen - worden geïdentificeerd op volgende MRI-scans, is meestal een tweede SRS-behandeling nodig. Een dergelijke behandeling is duur en kan ongemakkelijk en invasief zijn, waarbij soms het hoofd moet worden geïmmobiliseerd met een frame dat met pinnen aan de schedel is bevestigd.
Tijdens de recente ASTRO jaarvergadering, Devon Godfried legde uit dat de onderzoekers het op convolutionele neurale netwerk (CNN) gebaseerde CAD-systeem specifiek hebben ontworpen om de detectie en segmentatie van moeilijk te detecteren RIM's en zeer kleine prospectief geïdentificeerde metastasen (PIM's) te verbeteren. Godfrey en collega's beschrijven het testen en valideren van dit systeem in de International Journal of Radiation Oncology Biologie Natuurkunde.
Het team trainde de CAD-tool op MRI-gegevens (een contrastversterkte verwende gradiënt-echosequentie) van 135 patiënten met 563 hersenmetastasen. De beelden zijn verkregen met behulp van 1.5 T en 3.0 T MRI-scanners van verschillende leveranciers op meerdere locaties van Duke Health. In totaal omvatte de dataset 491 PIM's met een mediane diameter van 6.7 mm en 72 RIM's van 32 patiënten, met een mediane diameter van 2.7 mm.
Om RIM's te identificeren, beoordeelden de onderzoekers de originele MR-beelden van elke patiënt om te zoeken naar tekenen van contrastverbetering op de exacte locatie waar later een metastase werd ontdekt. Na beoordeling classificeerden ze elke RIM als ofwel voldeden aan op beeldvorming gebaseerde diagnostische criteria (+DC) ofwel onvoldoende visuele informatie (-DC) om te worden geïdentificeerd als een metastase.
De onderzoekers verdeelden de dataset van RIM's en PIM's willekeurig in vijf groepen, waarvan er vier werden gebruikt voor de ontwikkeling van modellen en algoritmen en één als testgroep. "De opname van zowel +DC- als -DC-RIM's resulteerde in de hoogste gevoeligheden voor elke categorie en grootte van hersenmetastasen, terwijl het ook het laagste fout-positieve percentage en de hoogste positieve voorspellende waarde opleverde", rapporteren ze. "Dit toont een duidelijk voordeel aan van het opnemen van een te zware bemonstering van kleine uitdagende hersenmetastasen in CAD-trainingsgegevens."
Voor PIM's en +DC RIM's - die duidelijke kenmerken hebben van metastasen op MRI - bereikte het model een algehele gevoeligheid van 93%, variërend van 100% voor laesies groter dan 6 mm in diameter tot 79% voor laesies kleiner dan 3 mm. Het percentage fout-positieven was ook indrukwekkend laag, met een gemiddelde van 2.7 per persoon, vergeleken met tussen de acht en 35 in andere CAD-systemen met vergelijkbare detectiegevoeligheid voor kleine laesies.
Het CAD-systeem kon ook enkele van de -DC RIM's detecteren in zowel de ontwikkel- als testsets. Identificatie van hersenmetastasen in dit vroegste stadium zou een groot klinisch voordeel zijn, omdat dergelijke laesies dan grondiger zouden kunnen worden gevolgd met beeldvorming, en indien nodig tot behandeling zouden kunnen leiden.
Het Duke-team werkt nu aan het verbeteren van de nauwkeurigheid van de CAD-tool door gebruik te maken van meerdere MR-sequenties. Godfrey legt uit dat hersen-MRI-onderzoeken bijna altijd meerdere MR-sequenties omvatten die unieke informatie produceren over elke voxel in de hersenen. "Wij zijn van mening dat het opnemen van de aanvullende informatie die beschikbaar is uit deze andere sequenties de nauwkeurigheid ervan zou moeten verbeteren", zegt hij.
Godfrey merkt op dat de onderzoekers slechts enkele weken verwijderd zijn van de lancering van een gesimuleerde prospectieve klinische gebruiksstudie van het bestaande CAD-systeem om te onderzoeken hoe de tool de klinische besluitvorming door zowel radiologen als stralingsoncologen beïnvloedt.
Diep leren helpt radiologen longkanker op te sporen op röntgenfoto's van de borst
“Meerdere deskundige neuroradiologen en neuroradiatie-oncologen die SRS uitvoeren, krijgen MR-scans van de hersenen te zien. Ze zullen worden gevraagd om elke laesie te vinden die een hersenmetastase zou kunnen zijn, hun betrouwbaarheidsniveau te beoordelen en aan te geven of ze de laesie met SRS zouden behandelen, op basis van het uiterlijk op de afbeeldingen, "vertelt hij. Natuurkunde wereld. "We zullen ze vervolgens de CAD-voorspellingen presenteren en de impact van CAD op de klinische beslissingen van elke arts evalueren."
Als deze simulatiestudie veelbelovende resultaten oplevert, verwacht Godfrey de inzet van de CAD-tool om uitdagende hersenmetastasen prospectief te helpen identificeren bij nieuwe patiënten die worden behandeld in de Duke Radiation Oncology-kliniek onder een onderzoeksprotocol, misschien al halverwege het jaar 2023.
