Опухоли головного мозга: метод машинного обучения в прогнозировании ответа на лечение

Оценка эффективности терапии в нейроонкологии

Одними из наиболее распространенных и злокачественных опухолей головного мозга у взрослых являются глиомы. Так, в Германии указанное онкологическое заболевание диагностируется приблизительно у 4500 человек ежегодно. Нередко радикальное оперативное вмешательство затруднено, тогда как эффективность химиотерапии или лучевой терапии достаточно ограничена по причине высокой резистентности опухолевых тканей. Исходя из этого, поиск новых эффективных терапевтических подходов в данной сфере по-прежнему актуален.

Критерии оценки клинического ответа в нейроонкологии (The Response Assessment in Neuro-Oncology — RANO) в соответствии с единым протоколом были разработаны с целью стандартизации анализа сканов, выполненных с помощью магнитно-резонансной томографии (МРТ) как в клинических исследованиях, так и в клинической практике. Тем не менее указанные критерии в большей мере основаны на показателях двумерных измерений очагов поражения, оцененных вручную, что закономерно ограничивает надежность и точность сравнительного анализа морфологических характеристик опухоли, а также реакции на предпринимаемую терапию.

В новом исследовании научными сотрудниками отделения нейрорадиологии Университетской клиники Хайдельберга (Department of Neuroradiology, Heidelberg University Hospital), Германия, была разработана модель анализа, основанная на искусственных нейронных сетях, позволяющая полностью автоматизировать процесс количественной оценки МРТ-сканов в нейроонкологии и снимающая, таким образом, ограничения механического анализа. В своей работе авторы продемонстрировали, что методы машинного обучения, применяемые для оценки эффективности проводимой в нейрорадиологии терапии, могут быть более надежными и точными, являясь ценным вкладом в процесс индивидуализированной терапии опухолей. Статья по материалам исследования была опубликована в издании «The Lancet Oncology» 2 апреля 2019 г.

Компьютеризированный подход к диагностике и прогнозированию

Среди критериев оценки эффективности применяемой терапии показатель динамики роста опухоли, оцениваемый по данным МРТ, занимает одну из важнейших позиций. Однако двумерные измерения контрастных зон опухолевого роста, проводимые во время МРТ-сканирования вручную, нередко сопровождаются неточностью подсчетов и разницей результатов. Подобные явления могут оказывать негативное влияние на оценку эффективности применяемой терапии и, следовательно, на точность утверждений, основанных на визуализации. В своем научном проекте исследователи Университетской клиники Хайдельберга и Немецкого онкологического исследовательского центра (German Cancer Research Center), Германия, убедительно продемонстрировали потенциал методов машинного обучения в радиологической диагностике.

Командой ученых были разработаны искусственные нейронные сети для оценки клинической эффективности терапии опухолей головного мозга на основе МРТ стандартизированным и полностью автоматизированным способом. В совместном проекте приняли участие сотрудники отделения нейрорадиологии Университетской клиники Хайдельберга под руководством Филиппа Кикингередера (Philipp Kickingereder), исследователи из Отдела обработки медицинских изображений (Division of Medical Image Processing) Немецкого онкологического исследовательского центра во главе с Клаусом Х. Майер-Хайном (Klaus H. Maier-Hein), а также научные сотрудники Национального центра опухолевых заболеваний (National Center for Tumor Diseases), Германия, и кафедры неврологии Университетской клиники Хайдельберга под руководством профессора Вольфганга Вика (Wolfgang Wick).

Используя базу данных МРТ-сканов более 500 пациентов с опухолями головного мозга, исследователи разработали систему алгоритмов, позволяющую автоматизировать процесс идентификации морфологических характеристик зон опухолевого роста, используя функционал искусственных нейронных сетей. Кроме того, были разработаны алгоритмы, позволяющие оценить параметры отдельных областей (локусы опухолевых тканей, поглощающих контраст, а также зоны перитуморального отека) и ответ на применяемую терапию.

Комментируя полученные результаты, Ф. Кикингередер отметил: «Проведенный анализ более 2000 МРТ-сканов 534 пациентов с глиобластомой показал, что компьютеризированный подход позволяет более надежно оценить терапевтический ответ в сравнении с традиционным методом ручного измерения. Применение системы алгоритмов позволило повысить достоверность оценки на 36%. Это действительно может иметь решающее значение для оценки эффективности терапии на основе визуальных данных МРТ в клинических исследованиях. Кроме того, использование метода машинного обучения достоверно повышало точность расчета прогноза общей выживаемости».

Перспективы клинического применения

В настоящее время исследователи сосредоточены на поиске возможностей ускорить процесс апробации и внедрения технологии стандартизированной оценки терапевтического ответа опухолей головного мозга в клинические исследования, а в будущем — и в клиническую практику. С этой целью проводятся разработка и оценка программной инфраструктуры, позволяющей интегрировать новую технику в существующую радиологическую инфраструктуру. По словам авторов, предпринятые шаги создают надежные предпосылки для широкого применения и полностью автоматизированной обработки и анализа МРТ-сканов опухолей головного мозга в течение нескольких минут.

Подводя итоги, профессор В. Вик подчеркнул, что стандартизация и надежность оценки эффективности новых подходов к лечению имеет первостепенное значение для описания точности применяемой терапии. Именно этим определяется значимость и клинический вклад разработанной технологии. В дополнение к сказанному Ф. Кикингередер акцентировал внимание на том, что проведенное исследование демонстрирует огромный потенциал искусственных нейронных сетей в радиологической диагностике. Перспективы будущих изысканий ученые видят в усовершенствовании технологии автоматизированного высокопроизводительного анализа данных медицинских изображений и экстраполяции этих возможностей не только в сфере нейроонкологии, но и в диагностике и прогнозировании других видов патологии, в частности при рассеянном склерозе.

Подписывайтесь на наш Telegram-канал, Viber-сообщество, Instagram, страничку Facebook, а также Twitter, чтобы первыми получать самые свежие и актуальные новости из мира медицины.

• German Cancer Research Center (2019) Artificial intelligence helps to better assess treatment response of brain tumors. ScienceDaily, Apr. 2.
• Kickingereder P., Isensee F., Tursunova I. et al. (2019) Automated quantitative tumour response assessment of MRI in neuro-oncology with artificial neural networks: a multicentre, retrospective study. Lancet Oncol., Apr. 2. DOI: 10.1016/S1470-2045(19)30098-1.

Наталья Савельева-Кулик