Forskere på Duke University Medical Center har utviklet et dypt læringsbasert datastøttet deteksjonssystem (CAD) for å identifisere vanskelig å oppdage hjernemetastaser på MR-bilder. Algoritmen viste utmerket sensitivitet og spesifisitet, og utkonkurrerte andre CAD-systemer under utvikling. Verktøyet viser potensial til å muliggjøre tidligere identifisering av nye hjernemetastaser, slik at de kan bli målrettet med stereotaktisk radiokirurgi (SRS) når de først dukker opp, og for noen pasienter redusere antallet nødvendige behandlinger.
SRS, som bruker presist fokuserte fotonstråler for å levere en høy dose stråling til mål i hjernen i en enkelt strålebehandlingsøkt, utvikler seg til standardbehandling for pasienter med et begrenset antall hjernemetastaser. For å målrette en metastase, må den imidlertid først identifiseres på et MR-bilde. Dessverre er omtrent 10 % det ikke, 30 % for de som er mindre enn 3 mm i størrelse, selv når de er vurdert av eksperter på nevroradiologer.
Når disse uoppdagede hjernemetastasene – som forskerne refererer til som retrospektivt identifiserte metastaser (RIM) – blir identifisert på etterfølgende MR-skanninger, er det vanligvis behov for en ny SRS-behandling. Slik behandling er kostbar, og kan være ubehagelig og invasiv, noen ganger krever hodet immobilisering med en ramme festet til skallen med pinner.
På det nylige ASTRO årsmøtet, Devon Godfrey forklarte at forskerne designet det konvolusjonelle nevrale nettverket (CNN)-baserte CAD-systemet spesifikt for å forbedre deteksjon og segmentering av vanskelige å oppdage RIM-er og svært små prospektivt identifiserte metastaser (PIM). Godfrey og kolleger beskriver testing og validering av dette systemet i International Journal of Radiation Oncology Biology Physics.
Teamet trente CAD-verktøyet på MR-data (en kontrastforsterket spoilt gradient-ekkosekvens) fra 135 pasienter med 563 hjernemetastaser. Bildene ble tatt med 1.5 T og 3.0 T MR-skannere fra forskjellige leverandører på flere Duke Health-lokasjoner. Totalt inkluderte datasettet 491 PIM med en median diameter på 6.7 mm, og 72 RIM fra 32 pasienter, med en median diameter på 2.7 mm.
For å identifisere RIM-er gjennomgikk forskerne hver pasients originale MR-bilder for å søke etter tegn på kontrastforsterkning på det nøyaktige stedet der en metastase senere ble oppdaget. Etter gjennomgang klassifiserte de hver RIM som enten å ha oppfylt avbildningsbaserte diagnostiske kriterier (+DC) eller å ha utilstrekkelig visuell informasjon (-DC) til å bli identifisert som en metastase.
Forskerne randomiserte datasettet med RIM-er og PIM-er i fem grupper, og brukte fire av disse for modell- og algoritmeutvikling og en som testgruppe. "Inkluderingen av både +DC og -DC RIM resulterte i den høyeste sensitiviteten for hver hjernemetastasekategori og -størrelse, samtidig som den ga den laveste falske positive frekvensen og den høyeste positive prediktive verdien," rapporterer de. "Dette viser en klar fordel ved å inkludere en overvektig prøvetaking av små utfordrende hjernemetastaser til CAD-treningsdata."
For PIM-er og +DC RIM-er – som har klare karakteristikker av metastaser på MR – oppnådde modellen en total sensitivitet på 93 %, alt fra 100 % for lesjoner større enn 6 mm i diameter til 79 % for de mindre enn 3 mm. Den falske positive frekvensen var også imponerende lav, med et gjennomsnitt på 2.7 per person, sammenlignet med mellom åtte og 35 i andre CAD-systemer med sammenlignbar deteksjonsfølsomhet for små lesjoner.
CAD-systemet var også i stand til å oppdage noen av -DC RIM-ene i både utviklings- og testsettene. Identifikasjon av hjernemetastaser på dette tidligste stadiet vil være en stor klinisk fordel, da slike lesjoner da kan overvåkes mer grundig med bildediagnostikk, og om nødvendig utløse behandling.
Duke-teamet jobber nå med å forbedre CAD-verktøyets nøyaktighet ved å bruke flere MR-sekvenser. Godfrey forklarer at hjerne-MR-studier nesten alltid inkluderer flere MR-sekvenser som produserer unik informasjon om hver voxel i hjernen. "Vi tror at innlemming av tilleggsinformasjonen som er tilgjengelig fra disse andre sekvensene burde forbedre nøyaktigheten," sier han.
Godfrey bemerker at forskerne er bare uker unna å lansere en simulert prospektiv klinisk bruksstudie av det eksisterende CAD-systemet for å undersøke hvordan verktøyet påvirker klinisk beslutningstaking av både radiologer og strålingsonkologer.
Dyplæring hjelper radiologer med å oppdage lungekreft på røntgen av thorax
"Flere eksperter på nevroradiologer og nevrostrålingsonkologer som utfører SRS vil bli presentert for MR-skanninger av hjernen. De vil bli bedt om å finne enhver lesjon som kan være en hjernemetastase, vurdere sikkerhetsnivået som det er, og si om de vil behandle lesjonen med SRS, basert på dens utseende på bildene, sier han. Fysikkens verden. "Vi vil deretter presentere dem med CAD-spådommene og evaluere virkningen av CAD på hver enkelt leges kliniske beslutninger."
Hvis denne simuleringsstudien gir lovende resultater, forventer Godfrey å ta i bruk CAD-verktøyet for å hjelpe med å identifisere utfordrende hjernemetastaser prospektivt hos nye pasienter som behandles i Duke Radiation Oncology-klinikken under en forskningsprotokoll, kanskje allerede i midten av 2023.
