人工智能对评估纵向大脑转移的治疗反应和治疗反应的价值
Vincent Andrearczyk1,2, Luis Schiappacasse3,4, Matthieu Raccaud5
1Department of Nuclear Medicine and Molecular Imaging, Lausanne University Hospital (CHUV) and University of Lausanne (UNIL), Lausanne, Switzerland.
Neuro-oncology advances
|February 3, 2025
概括
与手动方法相比,用于大脑转移 (BM) 病变测量的自动深度学习提供了更高的稳定性和结果预测. 这有助于改善BM患者的随访护理和临床试验评估.
科学领域:
- 神经瘤学神经瘤学
- 医学成像分析分析 医学成像分析
- 医学中的人工智能.
背景情况:
- 对大脑转移 (BM) 患者的有效随访对于治疗适应和检测新病变至关重要.
- 目前响应评估在神经瘤学-BM指导方针在患者层面的评估和病变选择方面存在局限性,特别是在高瘤负担的情况下.
- 准确,可重复和自动化的反应评估可以优化再治疗时间,提高临床试验的精度.
研究的目的:
- 使用单维和体积标准,对脑转移 (BM) 的手动和自动 (基于深度学习) 病变轮进行比较.
- 评估手动和自动方法之间的尺寸和RANO-BM类别的协议.
- 评估在扫描仪旋转和随着时间的推移下测量的稳定性,以及对1年结果的可预测性.
主要方法:
- 追溯分析了来自49名BM患者的184个MRI研究,其中49名BM患者患有448个病变.
- 使用单维和体积测量的手动和自动 (深度学习) 损伤轮的比较.
- 评估测量协议,稳定性 (旋转,时间) 和1年结果的可预测性.
主要成果:
- 与手动方法相比,自动轮和体积标准显示在旋转下 (P < .001) 和随时间推移 (P < .05) 的稳定性明显优于手动方法.
- 自动化方法减少了观察者变异性,提供了更可靠和更有效的响应评估.
- 使用自动轮和体积测量方法实现了最好的1年结果可预测性,优于手工方法.
结论:
- 自动的大脑转移 (BM) 轮和体积测量为改善BM管理中的随访和治疗决策提供了一个有希望的工具.
- 这些自动化方法提高了精度和可重复性,简化了临床工作流程.
- 这些发现支持自动化工具的潜力,以改善临床实践和试验中响应评估的一致性.
