Согласно исследованию, представленному на ежегодном собрании Общества ядерной медицины и молекулярной визуализации 2024 года , новый подход с использованием искусственного интеллекта может точно обнаружить шесть различных типов рака при ПЭТ/КТ-сканировании всего тела. Автоматически определяя опухолевую нагрузку, новый инструмент может быть полезен для оценки риска для пациентов, прогнозирования ответа на лечение и оценки выживаемости.
«Автоматическое обнаружение и характеристика рака являются важными клиническими потребностями для обеспечения раннего лечения», — сказал Кевин Х. Люнг, доктор философии, научный сотрудник Медицинской школы Университета Джонса Хопкинса в Балтиморе, штат Мэриленд. «Большинство моделей искусственного интеллекта, направленных на обнаружение рака, построены на наборах данных небольшого или среднего размера, которые обычно охватывают одно злокачественное новообразование и/или радиофармпрепарат. Это представляет собой критическое узкое место в текущей парадигме обучения и оценки приложений искусственного интеллекта в медицинской визуализации и радиологии».
Чтобы решить эту проблему, исследователи разработали подход глубокого трансферного обучения (разновидность искусственного интеллекта) для полностью автоматизированной сегментации опухолей всего тела и прогнозирования с помощью ПЭТ/КТ. В исследовании были проанализированы данные 611 FDG-ПЭТ/КТ-сканирований пациентов с раком легких , меланомой, лимфомой, раком головы и шеи и раком молочной железы , а также 408 PSMA-ПЭТ/КТ-сканирований пациентов с раком простаты.
Подход искусственного интеллекта автоматически извлекал радиомические характеристики и показатели визуализации всего тела из прогнозируемых сегментаций опухоли, чтобы количественно оценить молекулярную нагрузку опухоли и ее распространение при всех типах рака. Количественные характеристики и методы визуализации использовались для создания прогностических моделей , демонстрирующих прогностическую ценность для стратификации риска, оценки выживаемости и прогнозирования ответа на лечение у пациентов с раком.
«Помимо прогнозирования рака, этот подход обеспечивает основу, которая поможет улучшить результаты лечения и выживаемость пациентов за счет выявления надежных прогностических биомаркеров, характеристики подтипов опухолей и обеспечения возможности раннего выявления и лечения рака», — отметил Люнг. «Этот подход может также помочь в раннем ведении пациентов с запущенной, терминальной стадией заболевания путем определения соответствующих схем лечения и прогнозирования ответа на методы лечения, такие как радиофармацевтическая терапия».
Люнг отметил, что в будущем универсальные, полностью автоматизированные инструменты искусственного интеллекта будут играть важную роль в центрах визуализации, помогая врачам интерпретировать ПЭТ/КТ-сканирования пациентов с раком. Подход глубокого обучения может также привести к открытию важной молекулярной информации о лежащих в основе биологических процессах, которые в настоящее время могут быть недостаточно изучены в крупных популяциях пациентов.
