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.