Nieuw geautomatiseerd systeem berekent het metabolische tumorvolume bij diffuus grootcellig B-cellymfoom

Nieuw geautomatiseerd systeem berekent het metabolische tumorvolume bij diffuus grootcellig B-cellymfoom

Onderzoekers van het Sylvester Comprehensive Cancer Center van de University of Miami Miller School of Medicine hebben een nieuwe, geautomatiseerde methode ontwikkeld voor het berekenen van het metabool tumorvolume (MTV) bij diffuus grootcellig B-cellymfoom (DLBCL). Deze resultaten zouden de berekeningen van het tumorvolume voor klinische onderzoeken en mogelijk patiëntenzorg aanzienlijk kunnen vergemakkelijken. De studie werd gepubliceerd in Cancers.

“Het metabolische volume van de tumor kan een diepgaande invloed hebben op de uitkomsten van patiënten, maar tot nu toe was er geen geautomatiseerde manier om dit te berekenen”, zegt Juan Pablo Alderuccio, MD, universitair hoofddocent geneeskunde bij de afdeling Hematologie en co-auteur van het onderzoek. "Nu hebben we een op kunstmatige intelligentie gebaseerd systeem ontwikkeld om nauwkeurige tumorvolumes te verkrijgen, zowel sneller als met minder menselijke tussenkomst."

Lymfoompatiënten met grotere tumorvolumes hebben doorgaans moeilijkere prognoses. Als gevolg hiervan wilden artsen patiënten stratificeren op basis van MTV, maar dit was behoorlijk moeilijk. Bestaande software is slechts halfautomatisch, wat betekent dat radiologen nauwlettend op de resultaten moeten letten en vaak ontbrekende informatie moeten invullen, wat een tijdrovend proces kan zijn.

Wanneer we een PET-scan lezen, zijn er zowel pathologische laesies als normale structuren die oplichten. Radiologen beoordelen deze beelden en maken onderscheid tussen laesies en goedaardige processen. De meeste softwareprogramma’s kunnen het verschil niet zien tussen iets dat goedaardig is of een normale fysiologische activiteit heeft, en een tumor.”

Russ Kuker, MD, universitair hoofddocent radiologie bij de afdeling Nucleaire Geneeskunde en eerste auteur van het onderzoek

Snellere, betere statistieken

E-boek antilichamen

Compilatie van de beste interviews, artikelen en nieuws van het afgelopen jaar. Download een gratis exemplaar

In het onderzoek testten onderzoekers een nieuwe, op deep learning gebaseerde aanpak die MTV-berekeningen volledig automatiseert. Dr. Kuker en collega's gebruikten traditionele, semi-geautomatiseerde methoden om MTV bij 100 patiënten te berekenen. Afzonderlijk beoordeelde medisch fysicus en co-auteur Fei Yang, Ph.D., bij de afdeling Radiotherapie, dezelfde scans met behulp van de deep learning-algoritmen.

"We ontdekten dat de resultaten sterk gecorreleerd waren", zei Dr. Alderuccio. "Maar wat nog belangrijker is, in plaats van dat het dertig minuten duurde om het antwoord voor elke scan te vinden, duurde de machine learning-aanpak ongeveer vijf minuten. Door de leestijd aanzienlijk te verkorten, opent dit de deur naar het gebruik van MTV in klinische onderzoeken, omdat je het bij grote aantallen patiënten kunt gebruiken en onmiddellijk de resultaten kunt zien."

Dit project was een multidisciplinaire inspanning, ondersteund door Craig Moskowitz, M.D., hoofdarts van het Sylvester Comprehensive Cancer Center, en geïnitieerd door Alan Pollack, M.D., Ph.D., voorzitter van de afdeling Radiotherapie.

MTV zou een waardevol instrument kunnen zijn voor klinische onderzoeken om patiënten te stratificeren op basis van risico om beter te begrijpen wie op de behandeling reageert en waarom. Bovendien zou deze techniek kunnen worden gebruikt om de klinische zorg vooruit te helpen, hoewel er aanzienlijk meer validatie voor nodig is.

“We weten dat patiënten met een hogere MTV het slechter doen”, zegt Dr. Alderuccio. "Het is waarschijnlijker dat deze patiënten geïntensiveerde of experimentele therapieën krijgen om de resultaten te verbeteren. Patiënten met een laag metabolisch tumorvolume hebben mogelijk betere resultaten dan standaardtherapieën. Deze machine learning-aanpak zou ons betere mogelijkheden kunnen bieden om dit onderscheid te maken."

Bron:

Sylvester Uitgebreid Kankercentrum

Referentie:

Kuker, RA, et al. (2022) Een door diepgaand leren ondersteunde geautomatiseerde methode om het metabolische tumorvolume bij diffuus grootcellig B-cellymfoom te berekenen. Kanker. doi.org/10.3390/cancers14215221.

.