AI az agytumorok differenciáldiagnózisában
Agytumorok noninvazív differenciáldiagnózisát végzi majd az új, mesterséges intelligencián alapuló algoritmus MRI felvételek alapján.
A Cell Reports Medicine folyóiratban március 11-én jelent meg a Vall d'Hebron Institute of Oncology kutatóinak cikke, amelyben arról számoltak be, hogy egy mesterséges intelligencián alapuló deep learning modellt fejlesztettek ki MRI felvételek alapján agytumorok differenciáldiagnózisának céljára.
Az összes rosszindulatú agydaganat 70%-át a glioblastoma multiforme, a szilárd daganatokból származó agyi áttétek és a primer központi idegrendszeri limfóma teszi ki. Mivel ezen rosszindulatú daganatok mindegyike más terápiás megközelítést igényel, a különböző rosszindulatú daganatok közötti differenciáldiagnosztika kielégítetlen klinikai igényt jelent.
„Az agydaganatok nem invazív differenciáldiagnosztikája jelenleg a kontrasztanyag beadása előtti és utáni mágnesrezonanciás képalkotó vizsgálatok (MRI-felvételek) értékelésén alapul. A végleges diagnózis felállításához azonban gyakran idegsebészeti beavatkozásokra van szükség, amelyek veszélyeztetik a betegek életminőségét” - nyilatkozta Raquel Perez-Lopez a tanulmány levelező szerzője.
“Ez a munka egy több mint öt éves kutatás eredménye, amely az agydaganatok differenciáldiagnózisát lehetővé tevő innovatív mágnesrezonanciás perfúziós képalkotó biomarkerek azonosítására összpontosított. A jelen tanulmány integrálja a mesterséges intelligenciával kapcsolatos egyéb, korábbi kutatási projektek eredményei, és olyan szoftvert sikerült kifejlesztenünk, amely nagy pontossággal képes automatizálni a műtét előtti diagnosztikai osztályozást, miközben az orvosok számára egy felhasználóbarát felületet nyújtva megkönnyíti az eredmények klinikai értelmezését” - tette hozzá Albert Pons-Escoda neuroradiológus a tanulmány egyik társszerzője.
A Diagnosis in Susceptibility Contrast Enhancing Regions for Neuroncology (DISCERN) névre keresztelt új deep learning eszköz a hagyományos MRI teljes térbeli és időbeli információit kihasználva azonosítja az egyes daganatokra jellemző viselkedési mintákat a képek elemzése során.
“A deep learning, azaz a mélytanulásos módszer lényege, hogy betanítja az algoritmusnak a már diagnosztizált betegek MRI-felvételei során észlelt egyes daganatok jellemzőit. Ha például kutyákról és macskákról készült képek ezreit mutatjuk meg a gépnek, az megtanulja a két faj megkülönböztető és meghatározó jellemzőit, és amikor egy új képet lát, fel tudja ismerni mindkettőt” - tette hozzá Alonso Garcia-Ruiz a tanulmány első szerzője.
Ebben az esetben a tanulási egységek az úgynevezett voxelek, amelyek az MRI-felvételek vizsgálatához szükséges minimális térfogatméretet jelentik, és körülbelül a számítógépes képernyők pixeleivel egyenértékűek - a különbség csak az, hogy ezek nem két-, hanem háromdimenziós egységek. A kutatók 40 diagnosztizált beteg 50 000 voxelének segítségével tanították be a DISCERN-t, hogy képes legyen felismerni a három leggyakoribb rosszindulatú agydaganat jellemzőit.
“Ezt a deep learning eszközt további 500 eset során validáltuk, és a jelen tanulmány eredményei szerint az eszköz 78%-os pontosságot mutatott a daganatok osztályozásában. Ez egyébként felülmúlja a hagyományos módszerek pontosságát” - jegyezte meg Perez-Lopez.”
“A DISCERN egy számítógépes diagnosztikai döntéstámogató eszköz, amely megkönnyíti az agydaganatok osztályozását annak érdekében, hogy segítse a multidiszciplináris orvosteamek döntéshozatalát a műtét szükségességével és típusával kapcsolatban” - összegzett Carles Majos, a tanulmány egyik társszerzője.
A vizsgálatok reprodukálhatóságának javítása és a klinikai vizsgálatokban való alkalmazásának felgyorsítása érdekében a fejlesztők egy felhasználóbarát kezelői felületet hoztak létre, és nyílt hozzáférésűvé tették a DISCERN alkalmazást.
Írásunk az alábbi közlemények alapján készült:
Irodalmi hivatkozás:
Alonso Garcia-Ruiz et al, An accessible deep learning tool for voxel-wise classification of brain malignancies from perfusion MRI, Cell Reports Medicine (2024). DOI: 10.1016/j.xcrm.2024.101464
