AI prognostiziert pädiatrisches Gliomrezidiv unter Verwendung mehrerer Gehirnscans

Künstliche Intelligenz (KI) zeigt ein enormes Versprechen für die Analyse großer medizinischer Bildgebungsdatensätze und der Identifizierung von Mustern, die von menschlichen Beobachtern möglicherweise übersehen werden. Eine AI-unterstützte Interpretation von Gehirnscans kann dazu beitragen, die Versorgung von Kindern mit Hirntumoren zu verbessern, die als Gliome bezeichnet werden, die typischerweise behandelbar sind, sich jedoch im Risiko eines Wiederauftretens unterscheiden. Ermittler aus General Brigham und Mitarbeitern des Boston Children’s Hospital und des Dana-Farber/Boston Children’s Cancer and Blood Disorders Center haben Deep-Learning-Algorithmen ausgebildet, um sequentielle Hirntechnik nach der Durchführung von Hirntarken nach der Behandlung zu analysieren und Patienten mit dem Risiko eines Krebsrezidivs zu fahnen. Ihre Ergebnisse werden in veröffentlicht in Das New England Journal of Medicine AI.

Viele pädiatrische Gliome sind allein durch Operationen heilbar, aber wenn Rückfälle auftreten, können sie verheerend sein. Es ist sehr schwierig vorherzusagen, wer möglicherweise ein Rezidiv besteht. Daher werden die Patienten viele Jahre lang eine häufige Follow-up mit Magnetresonanztomographie (MR) durchlaufen, ein Prozess, der stressig und belastend für Kinder und Familien sein kann. Wir brauchen bessere Instrumente, um frühzeitig zu identifizieren, welche Patienten das höchste Rezidivrisiko haben. “

Benjamin Kann, MD, korrespondierender Autor des Programms für künstliche Intelligenz in Medizin (AIM) bei Mass General Brigham und der Department of Strahlung Oncology im Brigham and Women’s Hospital

Studien zu relativ seltenen Krankheiten wie pädiatrischen Krebsarten können durch begrenzte Daten in Frage gestellt werden. Diese Studie, die teilweise von den National Institutes of Health finanziert wurde, meldete institutionelle Partnerschaften im ganzen Land, um fast 4.000 MR -Scans von 715 pädiatrischen Patienten zu sammeln. Um zu maximieren, was KI aus den Gehirnscans eines Patienten „lernen“ und das Wiederauftreten genauer vorhersagen konnte, verwendeten die Forscher eine Technik namens Temporal Learning, die das Modell zur Synthese von Ergebnissen aus mehreren Gehirnscans, die im Laufe einiger Monate nach der Operation eingenommen wurden, trainiert.

Typischerweise werden KI -Modelle für die medizinische Bildgebung geschult, um Schlussfolgerungen aus einzelnen Scans zu ziehen. Mit dem zeitlichen Lernen, das bisher nicht für die AI -Forschung für die medizinische Bildgebung verwendet wurde, informieren Bilder im Laufe der Zeit die Vorhersage des Algorithmus für das Wiederauftreten von Krebs. Um das zeitliche Lernmodell zu entwickeln, schulten die Forscher das Modell zunächst, um die MR-Scans eines Patienten nach der Operation in chronologischer Reihenfolge zu sequenzieren, damit das Modell lernen kann, subtile Veränderungen zu erkennen. Von dort aus haben die Forscher das Modell fein abgestimmt, um Änderungen gegebenenfalls korrekt mit dem nachfolgenden Krebsrezidiv zu assoziieren.

Letztendlich stellten die Forscher fest, dass das zeitliche Lernmodell das Wiederauftreten von Gliom mit niedrigem oder hochgradigem Gliom durch ein Jahr nach der Behandlung mit einer Genauigkeit von 75-89 Prozent vorhergesagt hatte-wesentlich besser als die Genauigkeit, die mit Vorhersagen basierend auf einzelnen Bildern basiert, die ungefähr 50 Prozent (nicht besser als Chance). Die Bereitstellung der KI mit Bildern aus weiteren Zeitpunkten nach der Behandlung erhöhte die Vorhersagegenauigkeit des Modells, es waren jedoch nur vier bis sechs Bilder erforderlich, bevor dieser Verbesserungsplateau aufgetragen wurde.

Die Forscher warnen davor, dass vor der klinischen Anwendung eine weitere Validierung über zusätzliche Einstellungen erforderlich ist. Letztendlich hoffen sie, klinische Studien zu starten, um festzustellen, ob KI-im informierte Risikovorhersagen zu Verbesserungen der Versorgung führen können-ob durch Reduzierung der Bildgebungsfrequenz für die Patienten mit niedrigster Risiko oder durch präventiv Behandlung von Patienten mit hohem Risiko mit gezielten adjuvanten Therapien.

„Wir haben gezeigt, dass KI in der Lage ist, vorhandene Vorhersagen aus mehreren Bildern und nicht nur von einzelnen Scans zu analysieren und zu machen“, sagte der erste Autor Divyanshu Tak, MS, vom AIM -Programm bei Mass General Brigham und der Department of Strahlung Onkologie am Brigham. „Diese Technik kann in vielen Umgebungen angewendet werden, in denen Patienten eine serielle, longitudinale Bildgebung erhalten, und wir sind gespannt, was dieses Projekt inspirieren wird.“

Quellen: