AI forudsiger gentagelse af pædiatrisk gliom ved hjælp af flere hjernescanninger

AI forudsiger gentagelse af pædiatrisk gliom ved hjælp af flere hjernescanninger

Kunstig intelligens (AI) viser et enormt løfte om at analysere store medicinske billeddatasæt og identificere mønstre, der kan gå glip af menneskelige observatører. AI-assisteret fortolkning af hjernescanninger kan hjælpe med at forbedre behandlingen af ​​børn med hjernetumorer kaldet gliomer, som typisk kan behandles, men varierer i risiko for gentagelse. Efterforskere fra General Brigham og personale på Boston Children's Hospital og Dana-Farber/Boston Children's Cancer and Blood Disorders Center har trænet deep learning-algoritmer til at bruge sekventiel hjerneteknologi til at analysere hjernescanninger efter behandling for at markere patienter med risiko for at få kræfttilbagefald. Dine resultater vil blive offentliggjort iNew England Journal of Medicine AI.

Mange pædiatriske gliomer kan helbredes med kirurgi alene, men når tilbagefald opstår, kan de være ødelæggende. Det er meget svært at forudsige, hvem der kan få en gentagelse. Derfor vil patienterne gennemgå hyppig opfølgning med magnetisk resonans (MR) billeddannelse i mange år, en proces, der kan være belastende og belastende for børn og familier. Vi har brug for bedre værktøjer til tidligt at identificere, hvilke patienter der har størst risiko for tilbagefald. “

Benjamin Kann, MD, korresponderende forfatter af Artificial Intelligence in Medicine (AIM) Program ved Mass General Brigham og Department of Radiation Oncology på Brigham and Women's Hospital

Undersøgelser af relativt sjældne sygdomme såsom pædiatriske kræftformer kan blive udfordret af begrænsede data. Denne undersøgelse, delvist finansieret af National Institutes of Health, rapporterede institutionelle partnerskaber over hele landet for at indsamle næsten 4.000 MR-scanninger fra 715 pædiatriske patienter. For at maksimere, hvad AI kunne "lære" fra en patients hjernescanninger og forudsige tilbagefald mere præcist, brugte forskerne en teknik kaldet temporal learning, som træner modellen til at syntetisere resultater fra flere hjernescanninger taget i løbet af et par måneder efter operationen.

Typisk er medicinsk billeddannende AI-modeller trænet til at drage konklusioner fra individuelle scanninger. Ved at bruge tidsmæssig læring, som ikke tidligere er brugt til AI-forskning til medicinsk billeddannelse, informerer billeder over tid om algoritmens forudsigelse af kræfttilbagefald. For at udvikle den tidsmæssige læringsmodel trænede forskerne først modellen til at sekvensere en patients post-kirurgiske MR-scanninger i kronologisk rækkefølge, så modellen kan lære at opdage subtile ændringer. Derfra finjusterede forskerne modellen til korrekt at forbinde ændringer, hvis det var nødvendigt, med efterfølgende kræfttilbagefald.

I sidste ende fandt forskerne ud af, at den tidsmæssige læringsmodel havde forudsagt gentagelse af lav- eller højgradig gliom et år efter behandling med en nøjagtighed på 75-89 procent - væsentligt bedre end nøjagtigheden ved hjælp af forudsigelser baseret på individuelle billeder, som var cirka 50 procent (ikke bedre end tilfældigheder). At forsyne AI med billeder fra yderligere tidspunkter efter behandling øgede modellens prædiktive nøjagtighed, men kun fire til seks billeder var påkrævet, før dette plateau af forbedring blev anvendt.

Forskerne advarer om, at yderligere validering via yderligere indstillinger er påkrævet før klinisk brug. I sidste ende håber de at lancere kliniske forsøg for at afgøre, om AI-informerede risikoforudsigelser kan føre til forbedringer i plejen – enten ved at reducere billedfrekvensen for patienter med den laveste risiko eller forebyggende behandling af højrisikopatienter med målrettede adjuverende terapier.

"Vi har vist, at kunstig intelligens er i stand til at analysere og lave eksisterende forudsigelser fra flere billeder, ikke kun enkelte scanninger," sagde førsteforfatter Divyanshu Tak, MS, fra AIM-programmet ved Mass General Brigham og Department of Radiation Oncology på Brigham. "Denne teknik kan anvendes i mange omgivelser, hvor patienter modtager seriel, langsgående billeddannelse, og vi er spændte på at se, hvad dette projekt vil inspirere."

Kilder: