Nyt automatiseret system beregner metabolisk tumorvolumen i diffust storcellet B-celle lymfom

Nyt automatiseret system beregner metabolisk tumorvolumen i diffust storcellet B-celle lymfom

Forskere ved Sylvester Comprehensive Cancer Center ved University of Miami Miller School of Medicine har udviklet en ny, automatiseret metode til beregning af metabolisk tumorvolumen (MTV) i diffust stort B-celle lymfom (DLBCL). Disse resultater kunne i høj grad lette tumorvolumenberegninger til kliniske undersøgelser og potentielt patientbehandling. Undersøgelsen blev offentliggjort i Cancers.

"Tumormetabolisk volumen kan have en dybtgående indflydelse på patientresultater, men indtil nu har der ikke været nogen automatiseret måde at beregne det på," sagde Juan Pablo Alderuccio, MD, lektor i medicin i afdelingen for hæmatologi og medforfatter af undersøgelsen. "Nu har vi udviklet et kunstig intelligens-baseret system for at opnå nøjagtige tumorvolumener både hurtigere og med mindre menneskelig indgriben."

Lymfompatienter med større tumorvolumener har en tendens til at have sværere prognoser. Som et resultat ønskede klinikere at stratificere patienter baseret på MTV, men det var ret svært. Eksisterende software er kun semi-automatiseret, hvilket betyder, at radiologer skal være meget opmærksomme på resultater og ofte udfylde manglende information, hvilket kan være en tidskrævende proces.

Når vi læser en PET-scanning, er der både patologiske læsioner og normale strukturer, der lyser op. Radiologer gennemgår disse billeder og skelner mellem læsioner og benigne processer. De fleste softwareprogrammer kan ikke kende forskel på noget, der er godartet eller har normal fysiologisk aktivitet og en tumor."

Russ Kuker, MD, lektor i radiologi i Institut for Nuklear Medicin og første forfatter af undersøgelsen

Hurtigere, bedre målinger

E-bog antistoffer

Samling af de bedste interviews, artikler og nyheder fra det sidste år. Download en gratis kopi

I undersøgelsen testede forskere en ny deep learning-baseret tilgang, der fuldt ud automatiserer MTV-beregninger. Dr. Kuker og kolleger brugte traditionelle, semi-automatiserede metoder til at beregne MTV hos 100 patienter. Separat gennemgik medicinsk fysiker og medforfatter Fei Yang, Ph.D., i Institut for Strålingsonkologi de samme scanninger ved hjælp af deep learning-algoritmerne.

"Vi fandt ud af, at resultaterne var meget korrelerede," sagde Dr. Alderuccio. "Men endnu vigtigere, i stedet for at tage op til 30 minutter at finde svaret for hver scanning, tog maskinlæringstilgangen omkring fem minutter. Ved at reducere læsetiden markant, åbner dette døren for at bruge MTV i kliniske forsøg, fordi du kan bruge det på et stort antal patienter og få resultaterne med det samme."

Dette projekt var en tværfaglig indsats støttet af Craig Moskowitz, M.D., overlæge for Sylvester Comprehensive Cancer Center, og initieret af Alan Pollack, M.D., Ph.D., formand for Department of Radiation Oncology.

MTV kunne være et værdifuldt værktøj til kliniske forsøg for at stratificere patienter efter risiko for bedre at forstå, hvem der reagerer på behandlingen og hvorfor. Derudover kan denne teknik bruges til at fremme klinisk pleje, selvom den vil kræve betydeligt mere validering.

"Vi ved, at patienter med højere MTV klarer sig dårligere," sagde Dr. Alderuccio. "Disse patienter kan være mere tilbøjelige til at modtage intensiverede eller eksperimentelle terapier for at forbedre resultaterne. Patienter med lavt metabolisk tumorvolumen kan have bedre resultater end standardterapier. Denne maskinlæringstilgang kunne give os bedre muligheder for at foretage disse sondringer."

Kilde:

Sylvester Comprehensive Cancer Center

Reference:

Kuker, RA, et al. (2022) En deep learning-assisteret automatiseret metode til at beregne metabolisk tumorvolumen i diffust storcellet B-celle lymfom. Kræft. doi.org/10.3390/cancers14215221.

.