В изследване  публикувано в Clinical Cancer Research, оценяващо мрежите за дълбокото обучение (deep-learning networks), които анализират изображения от компютърна томография (CT) на пациенти с локално авансирал НДКРБД (NSCLC), е открило, че тези мрежи могат да интегрират сканираните образи в множество времеви периоди, и така да подобрят значително прогнозите за клиничните резултати.

В сравнение със стандартния клиничен модел, използващ параметри като стадий, пол, възраст, хистология, пърформанс статус, тютюнопушене и размер на тумора, моделът на дълбокото обучение е бил  много по-ефективен при прогнозиране на отдалечени метастази, прогресия на заболяването и локалнен рецидив.

Ключови точки

1.Модел на дълбоко обучение, интегрира сканираните изображения в множество времеви периоди, и може да подобри прогнозите за клиничните резултати.

2.В сравнение със стандартния клиничен модел, използващ параметри като стадий, пол, възраст, хистология, пърформанс статус, тютюнопушене и размер на тумора, моделът на дълбокото обучение е бил  много по-ефективен при прогнозиране на отдалечени метастази, прогресия на заболяването и локален рецидив.

3.Моделите за дълбоко обучение имат потенциал за адаптивна и персонализирана терапия.

Методология на изследването

За този анализ, са били използвани две независими групи от пациенти, наречени – набор от данни А и набор от данни Б. Набор от данни А се е състял от 179 пациенти с НДКРБ в III-ти стадий, лекувани с дефинитивно химиолъчлечение, с изображения за преди-  и след- лечение на 1-ви, 3-ти и 6-ти месец от проследяването с общо 581 сканирания.

Изследователите са създали модули за дълбоко обучение, използвайки трансферни такива, в комбинация от конволюционни невронни мрежи (convolutional neural networks) и рекурентни невронни мрежи, както и чрез локализация на тумора (single seed-point tumor localization).

Валидирането на патологичния отговор е било сравнено и извършено на база данни Б, включващи 89 пациенти с НДКРБ, лекувани с химиолъчелечение и хирургична намеса, имащи общо 178 сканирания.

Резултати

Било е установено, че моделите за дълбоко обучение, използващи времево-серийно сканиране (time-series scans), са били значително по- предсказуеми при преживяемостта и спецификите от резултатите при рака (като прогресия, далечни метастази и локален рецидив).

Производителността на модела се е засилвала с всяко допълнително проследяване в конволюционния модел на невронната мрежа (напр. 2-годишна обща преживяемост: AUC = 0.74, Р <.05).

Моделите са стратифицирали пациентите в рисковите групи с ниска и висока смъртност, които са били значително свързани с общата преживяемост [коефициент на риск = 6.16, 95% доверителен интервал = 2.17–17.44; P <.001].

Моделът също така значително е успял и да прогнозира патологичния отговор в набора от данни Б (Р = .016).

Значение

Изследванията са показали, че моделите за дълбоко учене, интегриращи рутинни сканирания на изображения, получени в различни времеви периоди, могат да подобрят прогнозите за преживяемостта и спецификите в резултатите за рак на белите дробове.

За сравнение, стандартния клиничен модел, който се е  основавал на стадий, пол, възраст, и други, не е могъл надежно да предскаже 2-годишната преживяемост или отговора към лечението.

Промените в лезиите с течение на времето могат да помогнат на лекарите да адаптират плановете си за лечение при отделни и конкретни пациенти, както и да помогнат на стратификацията им в различните рискови групи при клинични изпитвания.

Източник на информация:

1.Deep-Learning Model May Improve Predictions of Survival and Specific Outcomes in Lung Cancer

   Send article as PDF