Внимание, автоперевод! За ошибки перевода ответственности не несём. Первоисточник по ссылке.
Лента новостей → Платформа искусственного интеллекта на основе визуализации предсказывает распространение рака головы и шеи
При применении к предварительным КТ-сканам алгоритм на основе ИИ может предсказать наличие экстранодального рака у пациентов с раком головы и шеи, согласно исследованию, поддержанному R&E Foundation. Алгоритм имеет потенциал избавить пациентов от ненужного лечения и связанных с ним побочных эффектов.
Плоскоклеточная карцинома головы и шеи возникает в клетках, выстилающих слизистые поверхности рта, горла и других структур головы и шеи. Заболеваемость возросла в последние годы из-за роста числа случаев орофарингеальной карциномы, связанной с вирусом папилломы человека (ВПЧ).
Решения о лечении, включая хирургическое вмешательство и нехирургические варианты, такие как химиотерапия и лучевая терапия, в значительной степени основаны на степени распространения рака. Рак, который начинает проникать за пределы лимфатических узлов в окружающие ткани, несет плохой прогноз и требует дополнительных агрессивных методов лечения после операции. Поэтому пациентов с подозрением на экстранодальное расширение обычно следует лечить нехирургическим путем.
К сожалению, предварительная рентгенологическая идентификация экстранодальных заболеваний оказалась для врачей чрезвычайно сложной задачей.
«В настоящее время экстранодальное расширение можно диагностировать окончательно только после удаления лимфатических узлов и их изучения под микроскопом», — сказал Бенджамин Х. Канн, доктор медицины, доцент кафедры радиационной онкологии Гарвардской медицинской школы в Бостоне. «Выявление экстранодального расширения до начала лечения было бы ценным для определения оптимального лечения, например, для выбора подходящих пациентов для операции, а также для соответствия критериям клинических испытаний и прогноза».
«В нескольких различных контекстах алгоритм всегда намного превосходил рентгенологов в прогнозировании наличия экстранодального расширения»,
Бенджамин Х. Канн, доктор медицины
Алгоритм превосходит рентгенологов в прогнозировании на доклинических этапах
Доктор Канн разработал метод прогнозирования экстранодального расширения, применяя алгоритм глубокого обучения к предобработанным КТ-сканам. Он и его коллеги обучили 3D-сверточную нейронную сеть строго на основе сырого КТ-вокселя (единицы Хаунсфилда) сотен лимфатических узлов, помеченных в соответствии с отчетами о связанных патологиях.
Позже они подтвердили эффективность алгоритма глубокого обучения для пациентов из различных учреждений. Алгоритм успешно идентифицировал экстранодальное расширение на снимках до лечения в нескольких учреждениях, превзойдя диагностические возможности рентгенологов со специализированным опытом в области головы и шеи. Диагностическая точность рентгенологов улучшилась благодаря помощи глубокого обучения.
«В нескольких различных контекстах алгоритм всегда намного превосходил рентгенологов в прогнозировании наличия экстранодального расширения», — сказал доктор Канн.
При поддержке гранта RSNA Research Scholar 2020 года доктор Канн недавно применил алгоритм к подгруппе пациентов с орофарингеальной карциномой, связанной с ВПЧ. Пациенты были отобраны из Cancer Research Group E3311, многонационального рандомизированного исследования лечения. Исследуемая популяция представляла собой 30% пациентов в исследовании, у которых после операции было обнаружено экстранодальное расширение, которое не было обнаружено при визуализации головы и шеи до лечения.
Исследование, опубликованное в выпуске журнала Lancet Digital Health за апрель 2023 года, показало, что эффективность алгоритма глубокого обучения превзошла эффективность четырех сертифицированных рентгенологов, специализирующихся на области головы и шеи, в прогнозировании экстранодального расширения у этой сложной группы пациентов.
Соответствие специфичности алгоритма специфичности самого точного считывателя дало улучшенную чувствительность 75% для обнаружения экстранодального расширения. Установка ложноположительного уровня алгоритма на 30% дала 90% чувствительности. Алгоритм показал улучшенную производительность по сравнению с рентгенологами для экстранодального расширения более 1 миллиметра и в узлах с диаметром короткой оси 1 сантиметр или больше.
«Сейчас алгоритм отлично справляется с задачей по каждому лимфоузлу, точно предсказывая, есть ли у лимфоузла экстранодальное расширение», — сказал доктор Канн. «Однако для внедрения этого в клинику необходимо выполнить еще несколько шагов».
Среди этих шагов — автоматизация кропотливого процесса ручной сегментации лимфатических узлов, для которого исследователи разрабатывают алгоритмы. Они также работают над тем, чтобы платформа могла вычислять вероятность экстранодального расширения для каждого лимфатического узла, а затем выдавать составную вероятность экстранодального расширения для всего сканирования.
«Если это покажет себя хорошо, мы планируем провести клиническое испытание, в ходе которого мы интегрируем это в клиническую помощь», — сказал доктор Канн. «Мы изучим, как это влияет на принятие решений и, в конечном итоге, как это влияет на контроль заболеваний и качество жизни».
Для доктора Канна, который делит свое время между исследованиями и клинической работой, поддержка RSNA оказалась неоценимой.
«Я не думаю, что было бы возможно провести это исследование без этой поддержки», — сказал он. «Это позволило мне иметь защищенное время для исследований и обеспечило меня кадровой поддержкой, чтобы помочь продолжить разработку алгоритма и его проверку».