Az új automatizált rendszer kiszámítja a metabolikus tumor térfogatát diffúz nagy B-sejtes limfómában

Az új automatizált rendszer kiszámítja a metabolikus tumor térfogatát diffúz nagy B-sejtes limfómában

A University of Miami Miller School of Medicine Sylvester Comprehensive Cancer Center kutatói új, automatizált módszert fejlesztettek ki a metabolikus tumor térfogatának (MTV) kiszámítására diffúz nagy B-sejtes limfómában (DLBCL). Ezek az eredmények nagymértékben megkönnyíthetik a daganat térfogatának kiszámítását a klinikai vizsgálatok és a potenciálisan betegellátás számára. A tanulmány a Cancers folyóiratban jelent meg.

"A tumor metabolikus térfogata nagymértékben befolyásolhatja a betegek kimenetelét, de eddig nem volt automatizált módszer ennek kiszámítására" - mondta Juan Pablo Alderuccio, MD, a Hematológiai Osztály orvostudományi docense és a tanulmány társszerzője. „Most kifejlesztettünk egy mesterséges intelligencia alapú rendszert, amellyel gyorsabban és kevesebb emberi beavatkozással is pontos tumortérfogatokat kaphatunk.”

A nagyobb tumortérfogatú limfómás betegek prognózisa általában nehezebb. Ennek eredményeként a klinikusok az MTV alapján akarták rétegezni a betegeket, de ez meglehetősen nehéz volt. A meglévő szoftverek csak félig automatizáltak, ami azt jelenti, hogy a radiológusoknak nagyon oda kell figyelniük az eredményekre, és gyakran pótolniuk kell a hiányzó információkat, ami időigényes folyamat lehet.

Amikor egy PET-vizsgálatot olvasunk, kóros elváltozások és normál struktúrák is felvillannak. A radiológusok áttekintik ezeket a képeket, és különbséget tesznek az elváltozások és a jóindulatú folyamatok között. A legtöbb szoftver nem tud különbséget tenni valami jóindulatú vagy normális élettani aktivitású és daganat között.

Russ Kuker, MD, a Nukleáris Medicina Tanszék radiológiai docense és a tanulmány első szerzője

Gyorsabb, jobb mutatók

E-könyv antitestek

Összeállítás az elmúlt év legjobb interjúiból, cikkeiről és híreiről. Tölts le egy ingyenes példányt

A tanulmányban a kutatók egy új, mély tanuláson alapuló megközelítést teszteltek, amely teljesen automatizálja az MTV számításait. Dr. Kuker és munkatársai hagyományos, félautomata módszerekkel számították ki az MTV-t 100 betegnél. Külön-külön, az orvosfizikus és a társszerző, Fei Yang, Ph.D., a Sugár Onkológiai Tanszéken felülvizsgálta ugyanazokat a szkenneléseket a mélytanulási algoritmusok segítségével.

"Azt találtuk, hogy az eredmények erősen korreláltak" - mondta Dr. Alderuccio. "De még ennél is fontosabb, hogy ahelyett, hogy 30 percet vesz igénybe a válasz megtalálása minden egyes vizsgálatra, a gépi tanulási megközelítés körülbelül öt percet vett igénybe. Az olvasási idő jelentős csökkentésével ez megnyitja az ajtót az MTV klinikai vizsgálatokban való használatához, mivel nagyszámú betegen használhatja, és azonnal megkapja az eredményeket."

Ez a projekt egy multidiszciplináris erőfeszítés volt, amelyet Craig Moskowitz, M.D., a Sylvester Comprehensive Cancer Center főorvosa támogatott, és Alan Pollack, M.D., Ph.D., a Sugár Onkológiai Osztály elnöke kezdeményezte.

Az MTV értékes eszköz lehet a klinikai vizsgálatok során a betegek kockázat szerinti rétegezésére, hogy jobban megértsük, ki és miért reagál a kezelésre. Ezenkívül ez a technika felhasználható a klinikai ellátás előmozdítására, bár lényegesen több validálást igényel.

„Tudjuk, hogy a magasabb MTV-vel rendelkező betegek rosszabbul teljesítenek” – mondta Dr. Alderuccio. "Ezek a betegek nagyobb valószínűséggel kapnak intenzívebb vagy kísérleti terápiákat az eredmények javítása érdekében. Az alacsony metabolikus daganatvolumenben szenvedő betegek jobb eredményeket érhetnek el, mint a szokásos terápiák. Ez a gépi tanulási megközelítés jobb lehetőségeket biztosíthat számunkra ezeknek a különbségeknek a megtételére."

Forrás:

Sylvester Átfogó Rákközpont

Referencia:

Kuker, RA és mtsai. (2022) Egy mély tanulással segített automatizált módszer a metabolikus tumor térfogatának kiszámítására diffúz nagy B-sejtes limfómában. Rák. doi.org/10.3390/cancers14215221.

.