AI voorspelt herhaling van glioom bij kinderen met behulp van meerdere hersenscans

AI voorspelt herhaling van glioom bij kinderen met behulp van meerdere hersenscans

Kunstmatige intelligentie (AI) is veelbelovend voor het analyseren van grote datasets op het gebied van medische beeldvorming en het identificeren van patronen die door menselijke waarnemers mogelijk over het hoofd worden gezien. AI-ondersteunde interpretatie van hersenscans kan de zorg voor kinderen met hersentumoren, gliomen genaamd, helpen verbeteren. Deze tumoren zijn doorgaans behandelbaar, maar variëren qua risico op herhaling. Onderzoekers van generaal Brigham en medewerkers van het Boston Children's Hospital en het Dana-Farber/Boston Children's Cancer and Blood Disorders Center hebben diepgaande leeralgoritmen getraind om sequentiële hersentechnologie te gebruiken om hersenscans na de behandeling te analyseren om patiënten te signaleren die het risico lopen op herhaling van kanker. Uw resultaten worden gepubliceerd inHet New England Journal of Medicine AI.

Veel pediatrische gliomen kunnen alleen met een operatie worden genezen, maar als er een terugval optreedt, kunnen deze verwoestende gevolgen hebben. Het is erg moeilijk om te voorspellen wie een recidief kan krijgen. Daarom zullen patiënten gedurende vele jaren frequente follow-up ondergaan met magnetische resonantie (MR) beeldvorming, een proces dat stressvol en verontrustend kan zijn voor kinderen en gezinnen. We hebben betere hulpmiddelen nodig om vroegtijdig te identificeren welke patiënten het grootste risico op herhaling lopen. “

Benjamin Kann, MD, corresponderend auteur van het Artificial Intelligence in Medicine (AIM)-programma bij Mass General Brigham en de afdeling Radiation Oncology van Brigham and Women's Hospital

Onderzoek naar relatief zeldzame ziekten zoals kanker bij kinderen kan op de proef worden gesteld door beperkte gegevens. Deze studie, gedeeltelijk gefinancierd door de National Institutes of Health, rapporteerde institutionele partnerschappen in het hele land om bijna 4.000 MR-scans van 715 pediatrische patiënten te verzamelen. Om te maximaliseren wat AI zou kunnen 'leren' van de hersenscans van een patiënt en herhaling nauwkeuriger te kunnen voorspellen, gebruikten de onderzoekers een techniek genaamd temporeel leren, die het model traint om de resultaten te synthetiseren van meerdere hersenscans die in de loop van een paar maanden na de operatie zijn genomen.

Doorgaans worden AI-modellen voor medische beeldvorming getraind om conclusies te trekken uit individuele scans. Met behulp van temporeel leren, dat nog niet eerder werd gebruikt voor AI-onderzoek voor medische beeldvorming, informeren beelden in de loop van de tijd de voorspelling van het algoritme over het terugkeren van kanker. Om het temporele leermodel te ontwikkelen, hebben onderzoekers het model eerst getraind om de MR-scans van een patiënt na de operatie in chronologische volgorde te rangschikken, zodat het model subtiele veranderingen kan leren detecteren. Van daaruit hebben de onderzoekers het model verfijnd om veranderingen, indien nodig, correct te associëren met daaropvolgende herhaling van kanker.

Uiteindelijk ontdekten de onderzoekers dat het temporele leermodel herhaling van laag- of hooggradig glioom één jaar na de behandeling had voorspeld met een nauwkeurigheid van 75-89 procent – ​​aanzienlijk beter dan de nauwkeurigheid met behulp van voorspellingen op basis van individuele beelden, die ongeveer 50 procent was (niet beter dan toeval). Door de AI na de behandeling te voorzien van afbeeldingen van extra tijdstippen, werd de voorspellende nauwkeurigheid van het model vergroot, maar er waren slechts vier tot zes afbeeldingen nodig voordat dit verbeteringsplateau werd toegepast.

De onderzoekers waarschuwen dat verdere validatie via aanvullende instellingen vereist is vóór klinisch gebruik. Uiteindelijk hopen ze klinische onderzoeken te lanceren om te bepalen of AI-geïnformeerde risicovoorspellingen kunnen leiden tot verbeteringen in de zorg – hetzij door het verminderen van de beeldfrequentie voor patiënten met het laagste risico of door het preventief behandelen van patiënten met een hoog risico met gerichte adjuvante therapieën.

“We hebben aangetoond dat AI in staat is om bestaande voorspellingen te analyseren en te maken op basis van meerdere afbeeldingen, en niet alleen van enkele scans”, zegt eerste auteur Divyanshu Tak, MS, van het AIM-programma van Mass General Brigham en de afdeling Radiation Oncology van de Brigham. "Deze techniek kan worden toegepast in veel omgevingen waar patiënten seriële, longitudinale beeldvorming krijgen, en we zijn benieuwd wat dit project zal inspireren."

Bronnen: