Araştırmacılar Duke Üniversitesi Tıp Merkezi MR görüntülerinde saptanması zor beyin metastazlarını belirlemek için derin öğrenme tabanlı bilgisayar destekli bir algılama (CAD) sistemi geliştirdi. Algoritma, geliştirilmekte olan diğer CAD sistemlerini geride bırakarak mükemmel hassasiyet ve özgüllük sergiledi. Araç, ortaya çıkan beyin metastazlarının daha erken tanımlanmasını sağlama potansiyeli göstererek, bunların ilk ortaya çıktıklarında stereotaktik radyocerrahi (SRS) ile hedef alınmasına olanak tanır ve bazı hastalar için gerekli tedavi sayısını azaltır.
Tek bir radyoterapi seansında beyindeki hedeflere yüksek dozda radyasyon iletmek için hassas şekilde odaklanmış foton ışınlarını kullanan SRS, sınırlı sayıda beyin metastazı olan hastalar için standart bakım tedavisine dönüşüyor. Bununla birlikte, bir metastazı hedeflemek için önce bir MR görüntüsünde tanımlanması gerekir. Ne yazık ki, uzman nöroradyologlar tarafından gözden geçirildiğinde bile, yaklaşık %10'u, 30 mm'den küçük olanlar için %3'u değildir.
Araştırmacıların retrospektif olarak tanımlanmış metastazlar (RIM'ler) olarak adlandırdıkları bu keşfedilmemiş beyin metastazları, sonraki MRI taramalarında tanımlandığında, genellikle ikinci bir SRS tedavisine ihtiyaç duyulur. Bu tür bir tedavi pahalıdır ve rahatsız edici olabilir ve invaziv olabilir, bazen pimlerle kafatasına sabitlenmiş bir çerçeve ile başın sabitlenmesini gerektirir.
Son ASTRO Yıllık Toplantısında, Devon Godfrey araştırmacıların evrişimli sinir ağı (CNN) tabanlı CAD sistemini özellikle tespit edilmesi zor RIM'lerin ve çok küçük prospektif olarak tanımlanmış metastazların (PIM'ler) tespitini ve segmentasyonunu iyileştirmek için tasarladıklarını açıkladı. Godfrey ve meslektaşları, bu sistemin test edilmesini ve doğrulanmasını Uluslararası Radyasyon Onkolojisi Biyoloji Fiziği Dergisi.
Ekip, CAD aracını, 135 beyin metastazı olan 563 hastadan alınan MRI verileri (kontrastlı, bozulmuş gradyan eko sekansı) üzerinde eğitti. Görüntüler, birden fazla Duke Health lokasyonundaki farklı satıcılardan alınan 1.5 T ve 3.0 T MRI tarayıcıları kullanılarak elde edildi. Toplamda, veri seti medyan çapı 491 mm olan 6.7 PIM ve medyan çapı 72 mm olan 32 hastadan 2.7 RIM içermektedir.
RIM'leri belirlemek için araştırmacılar, daha sonra bir metastazın tespit edildiği tam konumda kontrast artışı belirtileri aramak için her hastanın orijinal MR görüntülerini inceledi. İncelemeden sonra, her bir RIM'i ya görüntüleme tabanlı teşhis kriterlerini karşılayan (+DC) ya da bir metastaz olarak tanımlanmak için yetersiz görsel bilgiye sahip (-DC) olarak sınıflandırdılar.
Araştırmacılar, RIM'lerin ve PIM'lerin veri setini, bunlardan dördü model ve algoritma geliştirme ve birini test grubu olarak kullanarak beş gruba rastgele ayırdı. "Hem +DC hem de -DC RIM'lerin dahil edilmesi, her beyin metastazı kategorisi ve boyutu için en yüksek hassasiyetleri sağlarken, aynı zamanda en düşük yanlış pozitif oranını ve en yüksek pozitif tahmin değerini döndürdü" diye bildiriyorlar. "Bu, küçük zorlu beyin metastazlarının aşırı ağırlıklı bir örneklemesini CAD eğitim verilerine dahil etmenin açık bir faydasını gösteriyor."
MRG'de net metastaz özelliklerine sahip olan PIM'ler ve +DC RIM'ler için model, çapı 93 mm'den büyük lezyonlar için %100'den 6 mm'den küçük olanlar için %79'a kadar değişen, %3'lük bir genel hassasiyet elde etti. Küçük lezyonlar için karşılaştırılabilir algılama hassasiyetine sahip diğer CAD sistemlerindeki sekiz ile 2.7 arasında olan yanlış pozitif oranı ile karşılaştırıldığında, kişi başına ortalama 35 ile etkileyici bir şekilde düşüktü.
CAD sistemi ayrıca hem geliştirme hem de test setlerinde bazı -DC RIM'leri tespit edebildi. Beyin metastazlarının bu erken aşamada tanımlanması, büyük bir klinik avantaj olacaktır, çünkü bu tür lezyonlar daha sonra görüntüleme ile daha kapsamlı bir şekilde izlenebilir ve gerekirse tedavi başlatılabilir.
Duke ekibi şimdi birden çok MR dizisinden yararlanarak CAD aracının doğruluğunu artırmak için çalışıyor. Godfrey, beyin MRG çalışmalarının hemen hemen her zaman beyindeki her voksel hakkında benzersiz bilgiler üreten çoklu MR dizilerini içerdiğini açıklıyor. "Bu diğer dizilerden elde edilen ek bilgilerin dahil edilmesinin doğruluğunu artırması gerektiğine inanıyoruz" diyor.
Godfrey, araştırmacıların, aracın hem radyologlar hem de radyasyon onkologları tarafından klinik karar vermeyi nasıl etkilediğini araştırmak için mevcut CAD sisteminin simüle edilmiş bir prospektif klinik kullanım çalışmasını başlatmalarına sadece haftalar kaldığını belirtiyor.
Derin öğrenme, radyologların akciğer kanserini göğüs röntgenlerinde tespit etmesine yardımcı olur
“SRS uygulayan çok sayıda uzman nöroradyolog ve nöroradyasyon onkoloğuna beyin MR taramaları sunulacak. Beyin metastazı olabilecek herhangi bir lezyonu bulmaları, buna olan güven düzeylerini derecelendirmeleri ve görüntülerdeki görünümüne göre lezyonu SRS ile tedavi edip etmeyeceklerini belirtmeleri istenecek” diyor. Fizik dünyası. "Daha sonra onlara CAD tahminlerini sunacağız ve CAD'in her doktorun klinik kararları üzerindeki etkisini değerlendireceğiz."
Bu simülasyon çalışması umut verici sonuçlar verirse Godfrey, CAD aracını, belki de 2023 yılının ortalarında bir araştırma protokolü kapsamında Duke Radyasyon Onkolojisi kliniğinde tedavi edilen yeni hastalarda prospektif olarak zorlu beyin metastazlarını belirlemeye yardımcı olacak şekilde kullanmayı planlıyor.
