Gliomas: evaluar mejor la respuesta al tratamiento gracias a un algoritmo

antecedentes

Los gliomas son tumores cerebrales. Puede tratarse de diversas formas: por ejemplo, con radiación, con quimioterapia, quirúrgicamente, con quimiorradioterapia o experimentalmente. Sin embargo, no todos los gliomas responden igualmente bien a un tipo de tratamiento. Es por eso que se necesitan métodos que puedan predecir la respuesta al tratamiento de los tumores de la manera más confiable posible. El crecimiento de tumores es de particular interés para los científicos y los médicos tratantes.

Hasta ahora, los tumores cerebrales se han analizado mediante imágenes de resonancia magnética. Para ello, se utilizaron cada vez con mayor frecuencia los denominados criterios RANO (Response Assessment in Neuro-Oncology), y las imágenes de resonancia magnética se analizaron principalmente de forma bidimensional y manual. Estos criterios pueden usarse para estimar cuánto tiempo es probable que un tumor permanezca sin progresión. Sin embargo, esta técnica trae consigo algunos problemas, porque se basa en la suposición de que los tumores crecen de manera esférica y que es suficiente medirlos bidimensionalmente para poder hacer declaraciones sobre el volumen tumoral. Sin embargo, muchos tumores no crecen de manera uniforme en todas las direcciones porque están fuertemente influenciados por su entorno y el tratamiento. Por lo tanto, a menudo adoptan formas complicadas y crecen de forma anisotrópica. Como resultado, la medición bidimensional alcanza sus límites. Sin embargo, los métodos de medición tridimensionales aún no son adecuados para el uso clínico diario.

El establecimiento de metas

El equipo que rodea al Dr. En su estudio, Philipp Kickingereder del Hospital Universitario de Heidelberg y el Centro Alemán de Investigación del Cáncer en Heidelberg se propuso el objetivo de desarrollar un algoritmo utilizando una red neuronal artificial (ANN) [1]. Este algoritmo debería poder analizar cuantitativamente los registros de MRT de forma totalmente automática y estimar el tiempo libre de progresión, así como predecir la respuesta al tratamiento en los gliomas. El objetivo es reducir las limitaciones de la evaluación manual de los tumores. El algoritmo debe integrarse en una infraestructura de software compatible con la clínica.

metodología

En un primer paso, los científicos utilizaron los datos de 455 pacientes con glioblastomas confirmados histológicamente en el Hospital Universitario de Heidelberg para enseñar inteligencia artificial a analizar imágenes de resonancia magnética de manera independiente y estandarizada de acuerdo con criterios predeterminados. Como entrada, la ANN recibió cuatro secuencias de resonancia magnética diferentes, para las cuales los radiólogos habían desarrollado una máscara de segmentación tumoral de antemano.

Luego, el algoritmo se verificó sobre la base de conjuntos de datos longitudinales de otros 40 pacientes tratados en Heidelberg con glioblastoma o glioma de bajo grado confirmado histológicamente y se comparó estadísticamente retrospectivamente con los resultados obtenidos por RANO. Al mismo tiempo, el equipo sometió el algoritmo a una segunda verificación utilizando datos multicéntricos. Para ello, utilizaron un total de 2.034 imágenes de resonancia magnética de 532 pacientes de 38 institutos en el estudio EORTC-26101. Para ambos conjuntos de datos, la inteligencia artificial cuantificó la dinámica espacial y temporal del volumen del tumor y calculó automáticamente el período de tiempo hasta que el tumor progresaría. Los científicos también compararon estadísticamente estos resultados con la ayuda del coeficiente de Dice con los resultados basados ​​en RANO obtenidos durante el tratamiento.

En un paso final, el Dr. Kickingereder y sus colegas desarrollaron una infraestructura de software directamente utilizable basada en los resultados de sus estudios y la probaron en un entorno clínico simulado con pacientes.

Resultados

Evaluado estadísticamente, la ANN obtuvo una mediana del coeficiente de Dice de 0,89 para los tumores con contraste y 0,93 para las anomalías de la señal T2 no mejoradas en la RMN para los conjuntos de datos de Heidelberg, y 0,91 y 0,93 para los conjuntos de datos del estudio EORTC-26101 . Para estimar el tiempo libre de progresión, la evaluación cuantitativa basada en ANN de la respuesta a la terapia fue significativamente mejor que la supervivencia global basada en RANO. La fiabilidad de la evaluación se mejoró en un 36%.

Para calcular la respuesta a la terapia de los tumores en una clínica simulada con pacientes, la inteligencia artificial necesitó diez minutos de tiempo de computadora por escaneo.

Conclusión

“La evaluación de más de 2.000 exámenes de resonancia magnética de 534 pacientes con glioblastoma de toda Europa muestra que nuestro enfoque basado en computadora permite una evaluación más confiable de la respuesta a la terapia de lo que sería posible con el método convencional de medición manual. Pudimos mejorar la confiabilidad de la evaluación en un 36 por ciento. Esto puede ser fundamental para la evaluación basada en imágenes de la eficacia de la terapia en los ensayos clínicos. Nuestro nuevo método también hizo posible predecir la supervivencia general con mayor precisión ", explica el Dr. Philipp Kickingereder [2].

Para convertir los resultados en un sistema robusto que sea adecuado para el uso diario y que haya sido suficientemente probado para el diagnóstico clínico, el sistema ahora debe demostrar su valía en estudios clínicos prospectivos. Según la propia información de la compañía, esto ahora se está implementando como parte de un estudio destinado a mejorar el tratamiento de pacientes con glioblastoma en el Centro Alemán de Investigación del Cáncer y el Centro Nacional de Enfermedades Tumorales (NCT) en Heidelberg.