Исследователи из Медицинского центра Амстердамского университета разработали алгоритм искусственного интеллекта для чтения FDG-ПЭТ/КТ-сканов, который работает лучше, чем стандартные клинические оценки, используемые для выявления пациентов с лимфомой высокого риска.

Группа под руководством докторанта Марии Феррандес обучила сверточную нейронную сеть (CNN) на исходных сканах F-18 FDG-PET/CT пациентов с диффузной крупноклеточной B-клеточной лимфомой (DLBCL). Авторы исследования обнаружили, что модель очень точно предсказала вероятность прогрессирования заболевания у пациентов в течение двух лет.

«Модель CNN предсказала двухлетнее время до прогрессирования у пациентов с DLBCL лучше, чем показатели IPI [Международный прогностический индекс]».

Показатели IPI включают ряд клинических показателей и используются клиницистами для определения количества циклов лечения, которые могут пройти пациенты с лимфомой. В целом, однако, одна треть пациентов с ДВККЛ, оцененных с использованием этих показателей, не реагируют на лечение первой линии, отметила команда.

Группа добавила, что F-18 FDG-PET/CT является ценным подходом для характеристики тяжести опухолей лимфомы и часто используется в качестве маркера раннего прогнозирования исхода. Таким образом, исследователи стремились разработать алгоритм ИИ с использованием таких сканирований пациентов с ДВККЛ, который мог бы помочь более эффективно выявлять пациентов с высоким риском.

Группа собрала 296 исходных сканов пациентов в предыдущем проспективном клиническом исследовании для проверки лечения ритуксимабом в сочетании с циклофосфамидом, доксорубицином, винкристином и преднизоном (так называемые циклы «R-CHOP»). Базовые проекции максимальной интенсивности (MIP) использовались для обучения модели CNN, а отдельный внешний набор данных изображений от 340 пациентов с DLBCL служил для проверки модели.

CNN предоставил двухлетний прогноз времени до прогрессирования с площадью под кривой (AUC) 0,74 и превзошел модель, основанную на IPI (AUC = 0,68). Кроме того, исследователи искусственно удалили опухоли из сканов FDG-PET/CT и снова запустили CNN в наборе данных R-CHOP. Они обнаружили, что в этих случаях высокие вероятности (> 0,6), предсказанные CNN, были значительно снижены.

«Было показано, что на прогноз модели влияет наличие или отсутствие поражений», — пишут исследователи.

В конечном счете, по словам исследователей, это исследование должно было стать первым шагом в исследовательском анализе использования сквозных CNN у пациентов с лимфомой.

«Несмотря на то, что необходимы дальнейшие исследования, наши текущие результаты показывают, что CNN, использующие MIP, имеют потенциал в качестве моделей прогнозирования результатов», — заключили они.

Полная версия статьи доступна здесь .

Источник