Raziskovalci v Ljubljani Medicinski center univerze Duke so razvili sistem za računalniško podprto odkrivanje (CAD), ki temelji na globokem učenju, za prepoznavanje možganskih metastaz, ki jih je težko zaznati, na MR slikah. Algoritem je pokazal odlično občutljivost in specifičnost ter je v razvoju prekašal druge sisteme CAD. Orodje kaže potencial za omogočanje zgodnejšega prepoznavanja nastajajočih možganskih metastaz, kar omogoča, da jih ciljamo s stereotaktično radiokirurgijo (SRS), ko se prvič pojavijo, in pri nekaterih bolnikih zmanjša število potrebnih zdravljenj.
SRS, ki uporablja natančno usmerjene fotonske žarke za dostavo visoke doze sevanja do tarč v možganih v eni seji radioterapije, se razvija v standardno zdravljenje bolnikov z omejenim številom možganskih metastaz. Da bi ciljali na metastazo, pa jo je treba najprej prepoznati na MR sliki. Na žalost jih približno 10 % ni, 30 % tistih, ki so manjši od 3 mm, tudi če jih pregledajo strokovnjaki nevroradiologi.
Ko so te neodkrite možganske metastaze – ki jih raziskovalci imenujejo retrospektivno ugotovljene metastaze (RIM) – prepoznane pri naslednjih slikanjih MRI, je običajno potrebno drugo zdravljenje s SRS. Takšno zdravljenje je drago in je lahko neprijetno in invazivno, včasih zahteva imobilizacijo glave z okvirjem, pritrjenim na lobanjo z zatiči.
Na nedavnem letnem srečanju ASTRO, Devon Godfrey je pojasnil, da so raziskovalci zasnovali sistem CAD, ki temelji na konvolucijski nevronski mreži (CNN), posebej za izboljšanje odkrivanja in segmentacije RIM, ki jih je težko zaznati, in zelo majhnih prospektivno identificiranih metastaz (PIM). Godfrey in sodelavci opisujejo testiranje in validacijo tega sistema v International Journal of Radiation Oncology Biology Physics.
Ekipa je usposobila orodje CAD na podatkih MRI (kontrastno izboljšano zaporedje pokvarjenega gradientnega odmeva) 135 bolnikov s 563 možganskimi metastazami. Slike so bile pridobljene z uporabo MRI skenerjev 1.5 T in 3.0 T različnih prodajalcev na več lokacijah Duke Health. Skupno je nabor podatkov vključeval 491 PIM s srednjim premerom 6.7 mm in 72 RIM od 32 bolnikov s srednjim premerom 2.7 mm.
Da bi identificirali RIM, so raziskovalci pregledali originalne MR slike vsakega pacienta, da bi poiskali znake povečanja kontrasta na natančni lokaciji, kjer je bila pozneje odkrita metastaza. Po pregledu so vsak RIM razvrstili tako, da izpolnjuje diagnostična merila na podlagi slikanja (+DC) ali da nima dovolj vizualnih informacij (-DC), da bi ga lahko prepoznali kot metastazo.
Raziskovalci so naključno razvrstili nabor podatkov RIM in PIM v pet skupin, pri čemer so štiri uporabili za razvoj modela in algoritma, eno pa kot testno skupino. "Vključitev obeh +DC in -DC RIM-ov je povzročila najvišjo občutljivost za vsako kategorijo in velikost možganskih metastaz, hkrati pa vrnila najnižjo lažno pozitivno stopnjo in najvišjo pozitivno napovedno vrednost," poročajo. "To kaže na jasno korist vključitve pretežkega vzorčenja majhnih zahtevnih možganskih metastaz v podatke o usposabljanju CAD."
Za PIM in +DC RIM – ki imajo jasne značilnosti metastaz na MRI – je model dosegel splošno občutljivost 93 %, v razponu od 100 % za lezije, večje od 6 mm v premeru, do 79 % za lezije, manjše od 3 mm. Tudi stopnja lažno pozitivnih rezultatov je bila osupljivo nizka, s povprečjem 2.7 na osebo, v primerjavi z med 35 in XNUMX v drugih sistemih CAD s primerljivo občutljivostjo zaznavanja majhnih lezij.
Sistem CAD je prav tako lahko zaznal nekatere -DC RIM-e v razvojnem in testnem nizu. Identifikacija možganskih metastaz v tej najzgodnejši fazi bi bila velika klinična prednost, saj bi lahko takšne lezije nato temeljiteje spremljali s slikanjem in po potrebi spodbudili zdravljenje.
Ekipa Duke zdaj dela na izboljšanju natančnosti orodja CAD z uporabo več zaporedij MR. Godfrey pojasnjuje, da študije MRI možganov skoraj vedno vključujejo več sekvenc MR, ki proizvajajo edinstvene informacije o vsakem vokslu v možganih. "Verjamemo, da bi vključitev dodatnih informacij, ki so na voljo iz teh drugih zaporedij, morala izboljšati njegovo natančnost," pravi.
Godfrey ugotavlja, da so raziskovalci le nekaj tednov oddaljeni od začetka simulirane študije prospektivne klinične uporabe obstoječega sistema CAD, da bi raziskali, kako orodje vpliva na klinično odločanje tako radiologov kot radioloških onkologov.
Globoko učenje pomaga radiologom pri odkrivanju pljučnega raka na rentgenskih slikah prsnega koša
»Več strokovnjakom nevroradiologom in nevroradiološkim onkologom, ki izvajajo SRS, bomo predstavili MR možganov. Prosili jih bodo, naj najdejo kakršno koli lezijo, ki bi lahko bila možganska metastaza, ocenijo svojo stopnjo zaupanja, da je, in izjavijo, ali bi lezijo zdravili s SRS, glede na njen videz na slikah,« pove. Svet fizike. "Nato jim bomo predstavili napovedi CAD in ovrednotili vpliv CAD na klinične odločitve vsakega zdravnika."
Če bo ta simulacijska študija prinesla obetavne rezultate, Godfrey predvideva uvedbo orodja CAD za pomoč pri prepoznavanju zahtevnih možganskih metastaz za naprej pri novih bolnikih, ki se zdravijo na kliniki za radiacijsko onkologijo Duke v skladu z raziskovalnim protokolom, morda že sredi leta 2023.
