Alat berbasis kecerdasan buatan (AI) dapat memprediksi kegagalan lokal (LF) setelah terapi radiasi untuk metastasis otak (BM) menggunakan MRI perencanaan perawatan dasar, sebuah studi baru menunjukkan.
Alat itu 83% akurat dalam memprediksi kegagalan pengobatan, sedangkan ahli onkologi secara akurat memprediksi kegagalan pengobatan sekitar 65% dari waktu menggunakan metode konvensional, menurut Universitas York, Toronto, Ontario, Kanada.
Studi ini menunjukkan bahwa karakteristik perilesional yang terdeteksi AI yang sering diabaikan pada pemindaian MRI perencanaan pengobatan dapat digunakan untuk memprediksi LF setelah radiasi.
Ali Sadeghi-Naini, PhD
Hingga 30% dari BM tidak menanggapi terapi radiasi stereotactic, “dan dibutuhkan berbulan-bulan sebelum ahli onkologi dapat menilai hasil tumor menggunakan pencitraan (serial) tindak lanjut standar,” penulis studi Ali Sadeghi-Naini, PhD, profesor dari teknik elektro dan ilmu komputer di Universitas York, Toronto, Ontario, Kanada, kepada Medscape Medical News.
Namun, katanya, “MRI berpotensi membawa lebih banyak informasi daripada yang saat ini dieksploitasi dalam praktik standar. Model AI dapat membantu menangkap dan memanfaatkan informasi tersebut dan mungkin berfungsi sebagai alat pendukung keputusan klinis yang berharga dalam manajemen BM.”
Studi ini dipublikasikan secara online pada 4 November di IEEE Journal of Translational Engineering in Health and Medicine.
Memfokuskan Perhatian
Untuk memfasilitasi prediksi awal LF, para peneliti mulai mengembangkan AI dan alat pembelajaran mesin sekitar 5 tahun lalu, kata Sadeghi-Naini. Studi pertama mereka menunjukkan kelayakan memprediksi LF dengan membandingkan fitur tertentu dari pemindaian tindak lanjut pertama dengan pemindaian pra-perawatan. Studi kedua mereka menunjukkan bahwa pemindaian pretreatment saja dapat digunakan untuk prediksi. Studi mereka berikutnya menunjukkan bahwa pendekatan pembelajaran mendalam menggunakan irisan MRI 2D dan atribut klinis untuk prediksi dapat mengungguli penilaian variabel klinis saja.
Studi saat ini menganalisis seluruh volume MRI 3D menggunakan pembelajaran mendalam, dengan “mekanisme perhatian” yang dilatih untuk fokus pada aspek tertentu dari MRI. Para peneliti mengembangkan model terbaru berdasarkan data dari 124 pasien dengan 156 lesi. Data secara acak dibagi menjadi satu set pelatihan (99 pasien dengan 116 lesi) dan satu set tes (25 pasien dengan 40 lesi) yang digunakan untuk evaluasi independen. Sepuluh pasien dengan 15 lesi dipilih secara acak dari set pelatihan sebagai set validasi untuk mengoptimalkan model.
Pasien memiliki usia rata-rata 62 tahun, dan 60% adalah perempuan. Ukuran tumor rata-rata adalah 2 cm, dan Penilaian Prognostik Bertingkat rata-rata adalah 2,2.
Para peneliti mengajarkan model AI untuk memusatkan perhatiannya pada “pola canggih dalam intensitas MRI yang dapat menggambarkan heterogenitas di berbagai area di sekitar tumor,” jelas Sadeghi-Naini. “Menangkap dan mengukur pola atau fitur ini seringkali tidak mungkin dilakukan dengan mata manusia saja.”
Model terbaru ini mengungguli versi sebelumnya dan menunjukkan performa terbaik dalam hal area di bawah kurva dan skor F1 (metrik evaluasi pembelajaran mesin yang mengukur akurasi model pada kumpulan data).
“Hasil visualisasi menunjukkan pentingnya karakteristik perilesional pada perencanaan pengobatan MRI dalam memprediksi hasil lokal setelah radioterapi dan kelayakan prediksi awal hasil radioterapi untuk BM hanya dengan menggunakan fitur yang diambil dari volume MRI multimodal,” tulis para penulis.
Selanjutnya, tim akan mengevaluasi model dalam kumpulan data multi-lembaga yang lebih besar dan, jika diperlukan, merancang uji klinis untuk menguji kinerja model lebih lanjut. “Kami berharap dapat mencapai titik itu dalam 3-5 tahun,” pungkas Sadeghi-Naini.
Relevan Secara Klinis?
Mengomentari studi untuk Medscape, Mike Y. Chen, MD, PhD, profesor asosiasi dan direktur program beasiswa onkologi bedah saraf di City of Hope (CoH) di Duarte, California, berkata, “Secara keseluruhan, ini adalah pendekatan yang menjanjikan yang akan menjadi penting di masa mendatang. Jumlah data yang harus ditinjau oleh ahli radiologi atau klinisi sangat besar. Misalnya, di CoH, MRI otak dasar untuk evaluasi tumor terdiri dari delapan urutan dengan total 617 gambar. Pemeriksaan yang lebih khusus dengan mudah melampaui 1000 gambar.”
Dr Mike Chen
Sebagian besar dokter memiliki waktu sekitar setengah jam untuk membandingkan MRI baru dengan setidaknya satu gambar sebelumnya, yang tidak cukup waktu untuk memeriksa nuansa dengan hati-hati, kata Chen. “Analisis dengan bantuan komputer bisa menjadi aset yang luar biasa, [and] AI dapat menemukan detail baru pada pemindaian yang diabaikan manusia yang mungkin relevan secara klinis.”
Chen mengangkat peringatan tentang penelitian dan pendekatannya. Kuantitas dan kualitas materi pelatihan “sangat penting” untuk menghindari “sampah masuk, sampah keluar,” katanya. Kumpulan data dari 100 pasien “terhormat, tetapi tidak cukup besar.”
Kualitas datanya juga “terbatas,” tambahnya. Rincian tidak diberikan termasuk definisi LF (misalnya, peningkatan ukuran 20% selama 8 minggu pasca perawatan) dan apakah peneliti memperhitungkan nekrosis radiasi, yang dapat membuat lesi tampak lebih besar setelah perawatan, padahal sebenarnya tumornya “mati”. .”
“Masalah yang lebih besar sebenarnya adalah relevansi klinis,” katanya. “Bagaimana hasil yang diberikan oleh AI akan mengubah keputusan dokter dan meningkatkan perawatan klinis? Saya menduga bahwa memberikan beban pembuktian ini akan sama menantangnya dengan mengembangkan teknologi itu sendiri.”
Studi ini didukung oleh Natural Sciences and Engineering Research Council of Canada, Lotte and John Hecht Memorial Foundation, dan Terry Fox Foundation. Sadeghi-Naini dan Chen melaporkan tidak ada konflik kepentingan.
IEEE J Transl Eng Health Med. Diterbitkan online 4 November 2022. Teks lengkap.
Ikuti Marilynn Larkin di Twitter: @MarilynnL.
Untuk berita lebih lanjut, ikuti Medscape di Facebook, Twitter, Instagram, dan YouTube.