Gesundheit AllgemeinGesundheitswesenGesundheitszustandNewsTechnologie

Neues, automatisiertes System berechnet metabolisches Tumorvolumen bei diffusem großzelligem B-Zell-Lymphom


Deprecated: preg_split(): Passing null to parameter #3 ($limit) of type int is deprecated in /www/htdocs/w01f050a/institut-der-gesundheit.com/wp-content/themes/jannah/framework/functions/post-functions.php on line 863

Forscher des Sylvester Comprehensive Cancer Center an der University of Miami Miller School of Medicine haben eine neue, automatisierte Methode zur Berechnung des metabolischen Tumorvolumens (MTV) bei diffusem großzelligem B-Zell-Lymphom (DLBCL) entwickelt. Diese Ergebnisse könnten die Berechnung des Tumorvolumens für klinische Studien und möglicherweise die Patientenversorgung erheblich erleichtern. Die Studie wurde in Cancers veröffentlicht.

„Das metabolische Tumorvolumen kann einen tiefgreifenden Einfluss auf die Ergebnisse der Patienten haben, aber bis jetzt gab es keine automatisierte Möglichkeit, es zu berechnen“, sagte Juan Pablo Alderuccio, MD, außerordentlicher Professor für Medizin in der Abteilung für Hämatologie und Mitautor von on die Studium. „Jetzt haben wir ein auf künstlicher Intelligenz basierendes System entwickelt, um sowohl schneller als auch mit weniger menschlichem Eingreifen genaue Tumorvolumina zu erhalten.“

Lymphompatienten mit größeren Tumorvolumina haben tendenziell schwierigere Prognosen. Infolgedessen wollten Kliniker Patienten basierend auf MTV stratifizieren, aber dies war ziemlich schwierig. Vorhandene Software ist nur halbautomatisiert, was bedeutet, dass Radiologen genau auf die Ergebnisse achten und oft fehlende Informationen ergänzen müssen, was ein zeitintensiver Prozess sein kann.

Wenn wir einen PET-Scan lesen, gibt es sowohl pathologische Läsionen als auch normale Strukturen, die aufleuchten. Radiologen überprüfen diese Bilder und unterscheiden zwischen Läsionen und gutartigen Prozessen. Die meisten Softwareprogramme können den Unterschied zwischen etwas, das gutartig ist oder eine normale physiologische Aktivität aufweist, und einem Tumor nicht erkennen.“

Russ Kuker, MD, außerordentlicher Professor für Radiologie in der Abteilung für Nuklearmedizin und Erstautor der Studie

Schnellere, bessere Messwerte

E-Book Antikörper

Zusammenstellung der Top-Interviews, Artikel und Nachrichten des letzten Jahres. Laden Sie eine kostenlose Kopie herunter

In der Studie testeten die Forscher einen neuen, auf Deep Learning basierenden Ansatz, der MTV-Berechnungen vollständig automatisiert. Dr. Kuker und Kollegen verwendeten traditionelle, halbautomatische Methoden, um MTV bei 100 Patienten zu berechnen. Unabhängig davon überprüfte der Medizinphysiker und Mitautor Fei Yang, Ph.D., in der Abteilung für Radioonkologie dieselben Scans mit den Deep-Learning-Algorithmen.

„Wir fanden heraus, dass die Ergebnisse stark korrelierten“, sagte Dr. Alderuccio. „Aber noch wichtiger: Anstatt bis zu 30 Minuten zu brauchen, um die Antwort für jeden Scan zu finden, dauerte der Ansatz des maschinellen Lernens etwa fünf Minuten. Durch die deutliche Verkürzung der Lesezeit öffnet dies die Tür zur Verwendung von MTV in klinischen Studien, weil Sie kann es bei einer großen Anzahl von Patienten anwenden und die Ergebnisse sofort haben.“

Dieses Projekt war eine multidisziplinäre Anstrengung, die von Craig Moskowitz, MD, Chefarzt des Sylvester Comprehensive Cancer Center, unterstützt und von Alan Pollack, MD, Ph.D., dem Vorsitzenden der Abteilung für Radioonkologie, initiiert wurde.

MTV könnte ein wertvolles Instrument für klinische Studien sein, um Patienten nach Risiko zu stratifizieren, um besser zu verstehen, wer auf die Behandlung anspricht und warum. Darüber hinaus könnte diese Technik verwendet werden, um die klinische Versorgung voranzutreiben, obwohl sie erheblich mehr Validierung erfordern wird.

„Wir wissen, dass es Patienten mit höherem MTV schlechter geht“, sagte Dr. Alderuccio. „Diese Patienten erhalten möglicherweise eher intensivierte oder experimentelle Therapien, um die Ergebnisse zu verbessern. Patienten mit niedrigem metabolischem Tumorvolumen könnten bessere Ergebnisse als Standardtherapien aufweisen. Dieser Ansatz des maschinellen Lernens könnte uns bessere Möglichkeiten bieten, diese Unterscheidungen zu treffen.“

Quelle:

Sylvester Comprehensive Cancer Center

Referenz:

Kuker, RA, et al. (2022) Eine Deep Learning-unterstützte automatisierte Methode zur Berechnung des metabolischen Tumorvolumens bei diffusem großzelligem B-Zell-Lymphom. Krebs. doi.org/10.3390/cancers14215221.

.


Deprecated: preg_split(): Passing null to parameter #3 ($limit) of type int is deprecated in /www/htdocs/w01f050a/institut-der-gesundheit.com/wp-content/themes/jannah/framework/functions/post-functions.php on line 863

Daniel Wom

Daniel Wom ist ein renommierter Webentwickler und SEO-Experte, der in der digitalen Welt eine beeindruckende Karriere aufgebaut hat. Als Betreiber mehrerer Blogs und Online-Magazine erreicht er jeden Monat mehr als 1 Million begeisterte Leser. Sein unermüdlicher Einsatz für Qualität im Web und seine Fähigkeit, die neuesten Trends und Entwicklungen im Webdesign und in der digitalen Kommunikation vorherzusehen und sich daran anzupassen, haben ihn zu einer angesehenen Persönlichkeit in der Branche gemacht.

Ähnliche Artikel

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert