Γλοιώματα: καλύτερη αξιολόγηση της απόκρισης της θεραπείας χάρη σε έναν αλγόριθμο

Ιστορικό

Τα γλοιώματα είναι όγκοι του εγκεφάλου. Μπορεί να αντιμετωπιστεί με μεγάλη ποικιλία τρόπων: για παράδειγμα με ακτινοβολία, με χημειοθεραπεία, χειρουργικά, με χημειοαδιοθεραπεία ή πειραματικά. Ωστόσο, δεν ανταποκρίνεται εξίσου καλά κάθε γλοίωμα σε έναν τύπο θεραπείας. Αυτός είναι ο λόγος για τον οποίο απαιτούνται μέθοδοι που μπορούν να προβλέψουν τη θεραπευτική απόκριση των όγκων όσο το δυνατόν πιο αξιόπιστα. Η ανάπτυξη των όγκων παρουσιάζει ιδιαίτερο ενδιαφέρον για τους επιστήμονες και τους θεράποντες ιατρούς.

Μέχρι στιγμής, οι όγκοι του εγκεφάλου έχουν αναλυθεί χρησιμοποιώντας εικόνες MRI. Για το σκοπό αυτό, τα λεγόμενα κριτήρια RANO (Αξιολόγηση απόκρισης στη νευρο-ογκολογία) χρησιμοποιήθηκαν ολοένα και συχνότερα και οι εικόνες MRI αναλύθηκαν κυρίως δύο διαστάσεων και χειροκίνητα. Αυτά τα κριτήρια μπορούν να χρησιμοποιηθούν για την εκτίμηση του χρόνου που ένας όγκος είναι πιθανό να παραμείνει χωρίς εξέλιξη. Ωστόσο, αυτή η τεχνική φέρνει μαζί της ορισμένα προβλήματα, επειδή βασίζεται στην υπόθεση ότι οι όγκοι αναπτύσσονται σφαιρικά και ότι αρκεί η μέτρησή τους δύο διαστάσεων προκειμένου να γίνουν δηλώσεις σχετικά με τον όγκο του όγκου. Ωστόσο, πολλοί όγκοι δεν αναπτύσσονται ομοιόμορφα προς όλες τις κατευθύνσεις, επειδή επηρεάζονται έντονα από το περιβάλλον και τη θεραπεία τους. Επομένως, συχνά έχουν πολύπλοκα σχήματα και αναπτύσσονται ανισοτροπικά. Ως αποτέλεσμα, η δισδιάστατη μέτρηση φτάνει τα όριά της. Ωστόσο, οι τρισδιάστατες μέθοδοι μέτρησης δεν είναι ακόμη κατάλληλες για καθημερινή κλινική χρήση.

Ο καθορισμός του στόχου

Η ομάδα γύρω από τον Δρ. Στη μελέτη της, ο Philipp Kickingereder από το Πανεπιστημιακό Νοσοκομείο της Χαϊδελβέργης και το Γερμανικό Κέντρο Έρευνας για τον Καρκίνο στη Χαϊδελβέργη έθεσε τον εαυτό του ως στόχο να αναπτύξει έναν αλγόριθμο χρησιμοποιώντας ένα τεχνητό νευρικό δίκτυο (ANN) [1]. Αυτός ο αλγόριθμος θα πρέπει να είναι σε θέση να αναλύει ποσοτικά τις καταγραφές MRT αυτόματα και να εκτιμά τον ελεύθερο χρόνο εξέλιξης καθώς και να προβλέπει την απόκριση της θεραπείας στα γλοιώματα. Ο στόχος είναι να μειωθούν οι περιορισμοί της χειροκίνητης εκτίμησης των όγκων. Ο αλγόριθμος πρέπει να ενσωματωθεί σε υποδομή λογισμικού συμβατή με κλινική.

μεθοδολογία

Σε ένα πρώτο βήμα, οι επιστήμονες χρησιμοποίησαν τα δεδομένα από 455 ασθενείς με ιστολογικά επιβεβαιωμένα γλοιοβλαστώματα στο Πανεπιστημιακό Νοσοκομείο της Χαϊδελβέργης για να διδάξουν τεχνητή νοημοσύνη για την ανάλυση εικόνων μαγνητικής τομογραφίας ανεξάρτητα και με τυποποιημένο τρόπο σύμφωνα με προκαθορισμένα κριτήρια. Ως είσοδος, το ANN τροφοδοτήθηκε με τέσσερις διαφορετικές αλληλουχίες MRI, για τις οποίες οι ακτινολόγοι είχαν αναπτύξει μια μάσκα τμηματοποίησης όγκων εκ των προτέρων.

Ο αλγόριθμος στη συνέχεια ελέγχθηκε με βάση τα διαμήκη σύνολα δεδομένων από 40 άλλους ασθενείς που υποβλήθηκαν σε θεραπεία στη Χαϊδελβέργη με ιστολογικά επιβεβαιωμένο γλοιοβλάστωμα ή γλοιώματος χαμηλού βαθμού και συγκρίθηκε στατιστικά αναδρομικά με τα αποτελέσματα που έλαβε η RANO. Ταυτόχρονα, η ομάδα υπέβαλε τον αλγόριθμο σε έναν δεύτερο έλεγχο χρησιμοποιώντας πολυκεντρικά δεδομένα. Για να το κάνουν αυτό, χρησιμοποίησαν συνολικά 2.034 εικόνες μαγνητικής τομογραφίας από 532 ασθενείς από 38 ινστιτούτα στη μελέτη EORTC-26101. Και για τα δύο σύνολα δεδομένων, η τεχνητή νοημοσύνη ποσοτικοποίησε τη χωρική και χρονική δυναμική του όγκου του όγκου και υπολόγισε αυτόματα την χρονική περίοδο έως ότου ο όγκος προχωρήσει. Οι επιστήμονες συνέκριναν επίσης αυτά τα αποτελέσματα στατιστικά με τη βοήθεια του συντελεστή ζαριών με τα αποτελέσματα με βάση το RANO που ελήφθησαν κατά τη διάρκεια της θεραπείας.

Σε τελικό βήμα, ο Δρ. Ο Kickingereder και οι συνεργάτες του ανέπτυξαν μια άμεσα χρησιμοποιήσιμη υποδομή λογισμικού με βάση τα αποτελέσματα της μελέτης τους και τη δοκιμάστηκαν σε προσομοιωμένο κλινικό περιβάλλον με ασθενείς.

Αποτελέσματα

Στατιστικά αξιολογημένο, το ANN έλαβε έναν μέσο συντελεστή Dice 0,89 για όγκους ενισχυμένους με αντίθεση και 0,93 για μη ενισχυμένες ανωμαλίες σήματος Τ2 στη μαγνητική τομογραφία για τα σύνολα δεδομένων Heidelberg και 0,91 και 0,93 για τα σύνολα δεδομένων από τη μελέτη EORTC-26101 . Προκειμένου να εκτιμηθεί ο χρόνος χωρίς πρόοδο, η ποσοτική εκτίμηση της ανταπόκρισης στη θεραπεία με βάση το ANN ήταν σημαντικά καλύτερη από τη συνολική επιβίωση με βάση το RANO. Η αξιοπιστία της αξιολόγησης βελτιώθηκε κατά 36%.

Προκειμένου να υπολογιστεί η ανταπόκριση των όγκων σε μια προσομοιωμένη κλινική με ασθενείς, η τεχνητή νοημοσύνη χρειάστηκε δέκα λεπτά χρόνου υπολογιστή ανά σάρωση.

συμπέρασμα

«Η αξιολόγηση περισσότερων από 2.000 εξετάσεων μαγνητικής τομογραφίας 534 ασθενών με γλοιοβλάστωμα από όλη την Ευρώπη δείχνει ότι η προσέγγιση που βασίζεται σε υπολογιστή επιτρέπει μια πιο αξιόπιστη αξιολόγηση της απόκρισης στη θεραπεία από ό, τι θα ήταν δυνατή με τη συμβατική μέθοδο χειροκίνητης μέτρησης. Καταφέραμε να βελτιώσουμε την αξιοπιστία της αξιολόγησης κατά 36 τοις εκατό. Αυτό μπορεί να είναι κρίσιμο για την αξιολόγηση βάσει της απεικόνισης της αποτελεσματικότητας της θεραπείας σε κλινικές δοκιμές. Η νέα μας μέθοδος κατέστησε επίσης δυνατή την ακριβέστερη πρόβλεψη της συνολικής επιβίωσης ", εξηγεί ο Δρ Philipp Kickingereder [2].

Προκειμένου να μετατραπούν τα αποτελέσματα σε ένα ισχυρό σύστημα που είναι κατάλληλο για καθημερινή χρήση και έχει δοκιμαστεί επαρκώς για κλινική διάγνωση, το σύστημα πρέπει τώρα να αποδειχθεί σε προοπτικές κλινικές μελέτες. Σύμφωνα με τις ίδιες πληροφορίες της εταιρείας, αυτό εφαρμόζεται τώρα στο πλαίσιο μιας μελέτης που στοχεύει στη βελτίωση της θεραπείας των ασθενών με γλοιοβλάστωμα στο Γερμανικό Κέντρο Έρευνας για τον Καρκίνο και στο Εθνικό Κέντρο για τις Νόσους του Όγκου (NCT) στη Χαϊδελβέργη.