Forskare på Duke University Medical Center har utvecklat ett djupinlärningsbaserat datorstödd detektionssystem (CAD) för att identifiera svårupptäckta hjärnmetastaser på MR-bilder. Algoritmen uppvisade utmärkt känslighet och specificitet och överträffade andra CAD-system under utveckling. Verktyget visar potential att möjliggöra tidigare identifiering av framväxande hjärnmetastaser, vilket gör att de kan riktas mot stereotaktisk strålkirurgi (SRS) när de uppträder första gången och, för vissa patienter, minska antalet nödvändiga behandlingar.
SRS, som använder exakt fokuserade fotonstrålar för att leverera en hög dos av strålning till mål i hjärnan i en enda strålbehandlingssession, utvecklas till standardbehandling för patienter med ett begränsat antal hjärnmetastaser. För att rikta in sig på en metastas måste den dock först identifieras på en MR-bild. Tyvärr är cirka 10 % inte det, 30 % för de som är mindre än 3 mm i storlek, även när de granskas av expert neuroradiologer.
När dessa oupptäckta hjärnmetastaser – som forskarna kallar retrospektivt identifierade metastaser (RIM) – identifieras vid efterföljande MR-undersökningar, behövs vanligtvis en andra SRS-behandling. Sådan behandling är dyr och kan vara obekväm och invasiv, ibland kräver huvudet immobilisering med en ram fäst vid skallen med stift.
Vid ASTROs årsmöte nyligen, Devon Godfrey förklarade att forskarna designade det konvolutionella neurala nätverket (CNN)-baserade CAD-systemet specifikt för att förbättra upptäckten och segmenteringen av svårupptäckta RIM och mycket små prospektivt identifierade metastaser (PIM). Godfrey och kollegor beskriver testning och validering av detta system i International Journal of Radiation Oncology Biology Physics.
Teamet tränade CAD-verktyget på MRI-data (en kontrastförstärkt spoiled gradient ekosekvens) från 135 patienter med 563 hjärnmetastaser. Bilderna togs med hjälp av 1.5 T och 3.0 T MRI-skannrar från olika leverantörer på flera Duke Health-platser. Totalt inkluderade datamängden 491 PIM med en mediandiameter på 6.7 mm och 72 RIM från 32 patienter, med en mediandiameter på 2.7 mm.
För att identifiera RIM, granskade forskarna varje patients ursprungliga MR-bilder för att söka efter tecken på kontrastförbättring på den exakta platsen där en metastas senare upptäcktes. Efter granskning klassificerade de varje RIM som att antingen ha uppfyllt avbildningsbaserade diagnostiska kriterier (+DC) eller att ha otillräcklig visuell information (-DC) för att kunna identifieras som en metastas.
Forskarna randomiserade datamängden av RIM och PIM i fem grupper, med fyra av dessa för modell- och algoritmutveckling och en som en testgrupp. "Inkluderingen av både +DC och -DC RIM resulterade i den högsta känsligheten för varje hjärnmetastaskategori och -storlek, samtidigt som den gav den lägsta falska positiva frekvensen och det högsta positiva prediktiva värdet", rapporterar de. "Detta visar en klar fördel med att inkludera ett överviktigt urval av små utmanande hjärnmetastaser till CAD-träningsdata."
För PIM och +DC RIM – som har tydliga egenskaper för metastaser på MRT – uppnådde modellen en total känslighet på 93 %, från 100 % för lesioner större än 6 mm i diameter till 79 % för de mindre än 3 mm. Den falska positiva frekvensen var också imponerande låg, med ett medelvärde på 2.7 per person, jämfört med mellan åtta och 35 i andra CAD-system med jämförbar detektionskänslighet för små lesioner.
CAD-systemet kunde också detektera några av -DC RIM:erna i både utvecklings- och testset. Identifiering av hjärnmetastaser i detta tidigaste skede skulle vara en stor klinisk fördel, eftersom sådana lesioner sedan skulle kunna övervakas mer noggrant med bildbehandling, vilket föranleder behandling vid behov.
Duke-teamet arbetar nu för att förbättra CAD-verktygets noggrannhet genom att använda flera MR-sekvenser. Godfrey förklarar att hjärn-MR-studier nästan alltid inkluderar flera MR-sekvenser som producerar unik information om varje voxel i hjärnan. "Vi tror att inkorporering av den ytterligare information som finns tillgänglig från dessa andra sekvenser borde förbättra dess noggrannhet," säger han.
Godfrey noterar att forskarna är bara veckor bort från att lansera en simulerad prospektiv klinisk användningsstudie av det befintliga CAD-systemet för att undersöka hur verktyget påverkar det kliniska beslutsfattandet av både radiologer och strålningsonkologer.
Deep learning hjälper radiologer att upptäcka lungcancer på lungröntgen
"Flera experter på neuroradiologer och neurostrålningsonkologer som utför SRS kommer att presenteras för MR-skanningar av hjärnan. De kommer att bli ombedda att hitta någon lesion som kan vara en hjärnmetastas, bedöma deras konfidensnivå som det är och ange om de skulle behandla lesionen med SRS, baserat på dess utseende på bilderna, säger han. Fysikvärlden. "Vi kommer sedan att presentera dem med CAD-förutsägelserna och utvärdera effekten av CAD på varje läkares kliniska beslut."
Om denna simuleringsstudie ger lovande resultat, räknar Godfrey med att använda CAD-verktyget för att hjälpa till att identifiera utmanande hjärnmetastaser prospektivt hos nya patienter som behandlas på Duke Radiation Oncology-kliniken enligt ett forskningsprotokoll, kanske så snart som mitten av året 2023.
