Glioomid: tänu algoritmile saate ravivastust paremini hinnata

taust

Glioomid on ajukasvajad. Seda saab ravida väga erinevatel viisidel: näiteks kiiritusega, keemiaraviga, kirurgiliselt, kemoradioteraapiaga või eksperimentaalselt. Kuid mitte iga glioom ei reageeri üht tüüpi ravile võrdselt. Seetõttu on vaja meetodeid, mis võimaldaksid kasvajate ravivastust võimalikult usaldusväärselt ennustada. Kasvajate kasv pakub teadlastele ja raviarstidele erilist huvi.

Siiani on ajukasvajaid analüüsitud MRI piltide abil. Sel eesmärgil kasutati üha sagedamini nn RANO kriteeriume (Response Assessment in Neuro-Oncology) ning MRT-pilte analüüsiti peamiselt kahemõõtmeliselt ja käsitsi. Nende kriteeriumide abil saab hinnata, kui kaua kasvaja tõenäoliselt progressioonivaba jääb. Kuid see tehnika toob endaga kaasa mõningaid probleeme, sest see põhineb eeldusel, et kasvajad kasvavad sfääriliselt ja kasvaja mahu kohta avalduste tegemiseks piisab nende kahemõõtmelisest mõõtmisest. Paljud kasvajad ei kasva aga ühtlaselt igas suunas, kuna neid mõjutab tugevalt nende keskkond ja ravi. Seetõttu võtavad nad sageli keerukat kuju ja kasvavad anisotroopselt. Selle tulemusena jõuab kahemõõtmeline mõõtmine oma piiridesse. Kolmemõõtmelised mõõtmismeetodid ei ole siiski veel igapäevaseks kliiniliseks kasutamiseks sobivad.

Eesmärkide seadmine

Meeskond ümber Dr. Heidelbergi ülikoolihaiglast ja Saksa vähiuuringute keskusest Heidelbergist pärit Philipp Kickingereder seadis oma uuringus endale eesmärgiks töötada välja algoritm, kasutades kunstlikku närvivõrku (ANN) [1]. See algoritm peaks suutma kvantitatiivselt analüüsida MRT salvestusi täielikult automaatselt ja hinnata progressioonivaba aega ning ennustada ravivastust glioomides. Eesmärk on vähendada kasvajate käsitsi hindamise piiranguid. Algoritm peaks olema kinnitatud kliinikuga ühilduvasse tarkvara infrastruktuuri.

metoodika

Esimeses etapis kasutasid teadlased Heidelbergi ülikooli haigla 455 histoloogiliselt kinnitatud glioblastoomiga patsiendi andmeid, et õpetada tehisintellekti analüüsima MRI pilte iseseisvalt ja standardiseeritud viisil vastavalt etteantud kriteeriumidele. Sisendina söödeti ANN-i nelja erineva MRI järjestusega, mille jaoks radioloogid olid eelnevalt välja töötanud kasvaja segmenteerimise maski.

Seejärel kontrolliti algoritmi 40 teise patsiendi pikisuunaliste andmekogumite põhjal, keda raviti Heidelbergis histoloogiliselt kinnitatud glioblastoomi või madala raskusastmega glioomiga, ning võrreldi seda statistiliselt tagasiulatuvalt RANO saadud tulemustega. Samal ajal allutas meeskond algoritmi teisele kontrollile, kasutades mitmekeskuselisi andmeid. Selleks kasutasid nad EORTC-26101 uuringus kokku 2034 MRT-pilti 532 patsiendilt 38 instituudist. Mõlema andmekogumi puhul kvantifitseeris tehisintellekt kasvaja mahu ruumilist ja ajalist dünaamikat ning arvutas automaatselt ajaperioodi, kuni kasvaja progresseerub. Teadlased võrdlesid neid tulemusi statistiliselt ka täringukoefitsiendi abil RANO-põhiste tulemustega, mis saadi ravi käigus.

Viimases etapis dr. Kickingereder ja tema kolleegid töötasid oma uuringutulemuste põhjal välja otse kasutatava tarkvara infrastruktuuri ja testisid seda patsientidega simuleeritud kliinilises keskkonnas.

Tulemused

Statistiliselt hinnatud ANN sai Heidelbergi andmekogumite puhul keskmise täringukordaja koefitsiendi 0,89 kontrastsusega kasvajate puhul ja 0,93 T2 signaali kõrvalekallete suurenemise korral MR-is ning 0,91 ja 0,93 andmekogumite jaoks uuringus EORTC-26101. . Progressioonivaba aja hindamiseks oli ravivastuse ANN-põhine kvantitatiivne hinnang oluliselt parem kui RANO-põhine üldine elulemus. Hinnangu usaldusväärsust parandati 36%.

Patsientidega simuleeritud kliinikus kasvajate ravivastuse arvutamiseks vajas tehisintellekt skaneerimise kohta kümme minutit arvutiaega.

Järeldus

„Üle 2000 534 glioblastoomihaige üle Euroopa MRT uuringu hindamine kogu Euroopast näitab, et meie arvutipõhine lähenemine võimaldab ravivastust usaldusväärsemalt hinnata, kui see oleks võimalik tavapärase käsitsi mõõtmise meetodi abil. Saime hindamise usaldusväärsust parandada 36 protsenti. See võib olla kriitiline ravi efektiivsuse kuvamisel põhineva hindamise jaoks kliinilistes uuringutes. Meie uus meetod võimaldas ka üldist ellujäämist täpsemalt ennustada, "selgitab dr Philipp Kickingereder [2].

Tulemuste muutmiseks igapäevaseks kasutamiseks sobivaks ja kliiniliseks diagnostikaks piisavalt testitud süsteemiks peab süsteem nüüd end perspektiivsetes kliinilistes uuringutes tõestama. Ettevõtte enda andmetel viiakse seda nüüd läbi uuringu osana, mille eesmärk on parandada glioblastoomihaigete ravi Saksamaa vähiuuringute keskuses ja riiklikus kasvajahaiguste keskuses (NCT) Heidelbergis.