Standaardtechnieken
voor diagnose en beoordeling van respons op behandeling in niet-kleincellig longcarcinoom
berusten op bepalingen van de diameter van de tumor. Deze bepalingen zijn
gevoelig voor variatie in beoordeling tussen waarnemers en in de tijd. Artificiële
intelligentie maakt kwantitatieve bepaling mogelijk van andere radiografische
kenmerken van de tumor, en van veranderingen van deze kenmerken in de tijd. Een
studie van Dana-Farber Cancer Institute en Harvard University (Boston MA) heeft
de waarde onderzocht van deep learning modellen van seriële CT-imaging scans
voor het voorspellen van de respons van lokaal-gevorderd NSCLC op behandeling. Dr.
Hugo Aerts (ook verbonden aan Maastricht UMC) en collega’s publiceren de studie vandaag in Clinical Cancer
Research.1
De studie werd
uitgevoerd in twee datasets. Dataset A (trainingsset) bestond uit 179 patiënten
die definitieve radiochemotherapie kregen voor stadium III NSCLC. Voor het
begin van de behandeling en één, drie, en zes maanden na de behandeling
ondergingen de patiënten CT-imaging. De onderzoekers ontwierpen deep learning modellen
die significant voorspellend waren voor overleving, progressie,
afstandsmetastase, en locoregionaal recidief. De performance van de modellen
werd beter met iedere additionele follow-up scan die werd ingevoerd. De
modellen stratificeerden patiënten in twee groepen met laag en hoog
mortaliteitsrisico, die geassocieerd waren met overall survival (HR 6,16; p<0,001). Het model voorspelde ook
pathologische respons in dataset B (p=0,016) bestaande uit 89 patiënten die
radiochemotherapie en chirurgie ondergingen voor NSCLC.
De
onderzoekers concluderen dat deep learning modellen CT imaging scans van
NSCLC-patiënten op verschillende tijdstippen tijdens de behandeling kunnen
integreren en de uitkomsten van de behandeling kunnen voorspellen.
1.Xu
Y, Hosny A, Zeleznik R et al. Deep
learning predicts lung cancer treatment response from serial medical imaging.
Clin Cancer Res 2019; epub ahead of print
Summary: A study at Dana-Farber Cancer Institute and Harvard University (Boston) found that deep learning models can
integrate CT imaging scans of lung cancer patients at multiple time points to
improve clinical outcome predictions. Artificial Intelligence-based noninvasive
radiomics biomarkers can have a significant impact in the clinic given their
low cost and minimal requirements for human input.
Commentaren
Reageren op dit artikel is mogelijk na registratie. (Login)