Uusi automatisoitu järjestelmä laskee metabolisen kasvaimen tilavuuden diffuusissa suurisoluisessa B-solulymfoomassa

Uusi automatisoitu järjestelmä laskee metabolisen kasvaimen tilavuuden diffuusissa suurisoluisessa B-solulymfoomassa

Miami Miller School of Medicine -yliopiston Sylvester Comprehensive Cancer Centerin tutkijat ovat kehittäneet uuden, automatisoidun menetelmän metabolisen kasvaimen tilavuuden (MTV) laskemiseen diffuusissa suuressa B-solulymfoomassa (DLBCL). Nämä tulokset voivat helpottaa suuresti kasvaimen tilavuuden laskemista kliinisissä tutkimuksissa ja mahdollisesti potilaan hoidossa. Tutkimus julkaistiin Cancersissa.

"Tuumorin aineenvaihduntatilavuudella voi olla syvällinen vaikutus potilaiden tuloksiin, mutta tähän mennessä ei ole ollut automatisoitua tapaa laskea sitä", sanoi Juan Pablo Alderuccio, MD, lääketieteen apulaisprofessori hematologian osastosta ja tutkimuksen toinen kirjoittaja. "Nyt olemme kehittäneet tekoälyyn perustuvan järjestelmän, jolla saadaan tarkkoja kasvaintilavuuksia sekä nopeammin että vähemmällä ihmisen väliintulolla."

Lymfoomapotilailla, joilla on suurempi kasvaintilavuus, on yleensä vaikeampi ennuste. Tämän seurauksena kliinikot halusivat jakaa potilaat MTV:n perusteella, mutta tämä oli melko vaikeaa. Nykyiset ohjelmistot ovat vain puoliautomaattisia, joten radiologien on kiinnitettävä erityistä huomiota tuloksiin ja usein täydennettävä puuttuvia tietoja, mikä voi olla aikaa vievä prosessi.

Kun luemme PET-skannausta, siinä on sekä patologisia vaurioita että normaaleja rakenteita, jotka syttyvät. Radiologit tarkastelevat näitä kuvia ja tekevät eron leesioiden ja hyvänlaatuisten prosessien välillä. Useimmat ohjelmistot eivät pysty erottamaan hyvänlaatuista tai normaalia fysiologista aktiivisuutta omaavan kasvaimen ja kasvaimen välillä.

Russ Kuker, MD, radiologian apulaisprofessori ydinlääketieteen laitoksella ja tutkimuksen ensimmäinen kirjoittaja

Nopeammat, paremmat mittarit

E-kirjan vasta-aineet

Kokoelma viime vuoden huippuhaastatteluista, artikkeleista ja uutisista. Lataa ilmainen kopio

Tutkimuksessa tutkijat testasivat uutta syvään oppimiseen perustuvaa lähestymistapaa, joka automatisoi täysin MTV-laskelmat. Tri Kuker ja kollegat käyttivät perinteisiä, puoliautomaattisia menetelmiä MTV:n laskemiseen 100 potilaalla. Lääketieteellinen fyysikko ja toinen kirjoittaja Fei Yang, Ph.D. Säteilyonkologian osastolla, tarkasti samat skannaukset käyttämällä syväoppimisalgoritmeja.

"Huomasimme, että tulokset korreloivat voimakkaasti", sanoi tohtori Alderuccio. "Mutta mikä vielä tärkeämpää, sen sijaan, että jokaiseen skannaukseen menisi 30 minuuttia vastauksen löytämiseen, koneoppimislähestymistapa kesti noin viisi minuuttia. Lyhentämällä lukuaikaa merkittävästi, tämä avaa oven MTV:n käyttöön kliinisissä tutkimuksissa, koska voit käyttää sitä suurella määrällä potilaita ja saada tulokset välittömästi."

Tämä projekti oli monitieteinen hanke, jota tuki Sylvester Comprehensive Cancer Centerin päälääkäri Craig Moskowitz, ja sen aloitteesta oli Alan Pollack, lääketieteen tohtori, säteilyonkologian osaston puheenjohtaja.

MTV voisi olla arvokas työkalu kliinisissä kokeissa potilaiden jakamiseksi riskin mukaan, jotta voitaisiin paremmin ymmärtää, kuka reagoi hoitoon ja miksi. Lisäksi tätä tekniikkaa voitaisiin käyttää kliinisen hoidon edistämiseen, vaikka se vaatii huomattavasti enemmän validointia.

"Tiedämme, että potilaat, joilla on korkeampi MTV, voivat huonommin", sanoi tohtori Alderuccio. "Nämä potilaat voivat todennäköisemmin saada tehostettuja tai kokeellisia hoitoja tulosten parantamiseksi. Potilailla, joilla on alhainen metabolinen kasvaintilavuus, voi olla parempia tuloksia kuin tavallisilla hoidoilla. Tämä koneoppimisen lähestymistapa voisi antaa meille paremmat mahdollisuudet tehdä nämä erot."

Lähde:

Sylvesterin kattava syöpäkeskus

Viite:

Kuker, RA, et ai. (2022) Syväoppimisavusteinen automatisoitu menetelmä metabolisen kasvaimen tilavuuden laskemiseksi diffuusissa suuressa B-solulymfoomassa. Syöpä. doi.org/10.3390/cancers14215221.

.