Naukowcy opracowali model wykorzystujący sztuczną inteligencję, który może przewidywać, gdzie po operacji najprawdopodobniej dojdzie do pierwszego nawrotu glejaka wielopostaciowego. Technologia analizuje tkankę pobraną podczas zabiegu i może w przyszłości pomóc lekarzom wskazywać obszary wymagające dodatkowego leczenia, zanim nawrót będzie widoczny w rezonansie magnetycznym.
Z tego artykułu dowiesz się…
- Jak sztuczna inteligencja może przewidywać miejsce pierwszego nawrotu glejaka wielopostaciowego jeszcze zanim zmiany staną się widoczne w badaniu MRI.
- Czym jest system FastGlioma i technika stymulowanej histologii ramanowskiej (SRH), która pozwala uzyskać obrazy świeżej tkanki podczas operacji w czasie krótszym niż minuta.
- Jak model opracowany na podstawie próbek od 60 pacjentów i przetestowany u kolejnych 20 osób przewidywał ryzyko nawrotu w odległości 5 lub 10 mm od miejsca pobrania tkanki.
- Jak AI może w przyszłości wspierać neurochirurgów w planowaniu zakresu operacji oraz późniejszej radioterapii lub leczenia miejscowego.
Glejak wielopostaciowy niemal zawsze nawraca
Glejak wielopostaciowy (glioblastoma, GBM) należy do najbardziej agresywnych pierwotnych nowotworów mózgu u dorosłych. Średni czas przeżycia od rozpoznania wynosi około 17 miesięcy. Mimo chirurgicznego usunięcia widocznej części guza i zastosowania leczenia uzupełniającego choroba bardzo często powraca. Większość nawrotów rozwija się w jamie pooperacyjnej lub w jej bezpośrednim sąsiedztwie. Problem polega na tym, że pojedyncze komórki nowotworowe mogą naciekać otaczającą tkankę mózgu i pozostawać niewidoczne podczas operacji oraz w standardowym obrazowaniu. Naukowcy z University of California, San Francisco (UCSF) oraz University of Michigan opracowali metodę, która ma pomóc w identyfikowaniu takich obszarów. Wyniki badania opublikowano w „Science Advances”.
AI analizuje tkankę pobraną podczas operacji
Badacze wykorzystali stymulowaną histologię ramanowską (stimulated Raman histology, SRH). Technika umożliwia uzyskanie mikroskopowych obrazów świeżej, nieprzetworzonej tkanki w czasie krótszym niż minuta. W przeciwieństwie do klasycznej oceny histopatologicznej nie wymaga wcześniejszego utrwalania i barwienia materiału. Obrazy były następnie analizowane przez FastGlioma – system AI opracowany przez zespoły UCSF i University of Michigan. Algorytm oceniał pobrane próbki pod względem stopnia naciekania przez komórki nowotworowe.
System ma niesamowity potencjał, aby zapewnić neurochirurgom cenne wskazówki w czasie rzeczywistym podczas usuwania guza – powiedział dr Sanjeev Herr, główny autor, adiunkt na Uniwersytecie Kalifornijskim w San Francisco i Drexel University College of Medicine. Może on również generować informacje, które pomogą w podejmowaniu późniejszych decyzji terapeutycznych.
Około 400 próbek od 80 pacjentów
Model opracowano na podstawie około 300 próbek tkanek pobranych podczas operacji od 60 pacjentów z glejakiem wielopostaciowym. Następnie niezależnie przetestowano go na około 100 próbkach pochodzących od kolejnych 20 osób. Mediana czasu do nawrotu choroby w analizowanej grupie wynosiła 5,5 miesiąca. Sama ocena naciekania guza przeprowadzona przez AI miała zbliżoną zdolność przewidywania miejsc nawrotu do konwencjonalnej patologii. Wyniki poprawiły się jednak po połączeniu informacji dostarczanych przez FastGlioma z danymi klinicznymi, obrazowymi i molekularnymi.
Naukowcy stworzyli sześć modeli uczenia maszynowego. W pięciu z sześciu modeli stopień naciekania oceniany przez AI był najsilniejszym pojedynczym predyktorem nawrotu, dostarczając więcej informacji prognostycznych niż analizowane cechy molekularne guza.
Model przewidywał miejsce nawrotu z dokładnością do kilku milimetrów
Badacze sprawdzili również, jak precyzyjnie model potrafi lokalizować przyszłą progresję choroby. System skutecznie przewidywał, czy nawrót rozwinie się w odległości 5 lub 10 mm od miejsca pobrania analizowanej tkanki. Tak dokładna lokalizacja może mieć znaczenie kliniczne, ponieważ potencjalnie pozwala wskazać obszary o największym ryzyku pozostawienia nacieku nowotworowego jeszcze podczas pierwszej operacji. Jeżeli bezpieczeństwo zabiegu na to pozwala, jednym z potencjalnych zastosowań mogłoby być rozszerzenie resekcji o dodatkową tkankę. W przypadku obszarów mózgu, których nie można bezpiecznie usunąć, informacje mogłyby natomiast pomóc w planowaniu innych metod leczenia.
Pacjenci, u których choroba dotyczy części mózgu, których nie można usunąć, mogą zostać poddani innym metodom leczenia ukierunkowanym na przewidywane miejsca progresji, takim jak większe dawki promieniowania ogniskowego lub leki podawane bezpośrednio do guza przez cewnik wprowadzony przez czaszkę – powiedział.
Celem jest opóźnienie pierwszego nawrotu glejaka
Badacze skoncentrowali się na pierwszym nawrocie choroby. W późniejszych etapach pacjenci mogą bowiem otrzymywać eksperymentalne terapie, które wpływają na sposób wzrostu nowotworu i utrudniają wiarygodne prognozowanie kolejnych progresji.
Najważniejszym celem było opóźnienie pierwszego nawrotu – powiedział współautor badania, dr Todd Hollon z Laboratorium Uczenia Maszynowego w Neurochirurgii Uniwersytetu Michigan w Ann Arbor. Mamy nadzieję, że wydłużenie tego okresu przełoży się na dłuższe przeżycie.
Na razie jest to jednak potencjalna korzyść. Badanie pokazuje zdolność modelu do przewidywania lokalizacji nawrotu, ale nie dowodzi jeszcze, że wykorzystanie tych prognoz podczas leczenia rzeczywiście wydłuży czas bez progresji lub przeżycie pacjentów.
AI w leczeniu glejaka może wspierać decyzje neurochirurgów
Połączenie szybkiego obrazowania SRH z systemem FastGlioma może w przyszłości dostarczać neurochirurgowi informacji o ryzyku nawrotu jeszcze podczas zabiegu. Jednocześnie wyniki mogłyby wspierać planowanie radioterapii lub miejscowego leczenia farmakologicznego po operacji. Przed zastosowaniem rozwiązania w rutynowej praktyce potrzebne są jednak dalsze badania i prospektywna walidacja kliniczna. Kluczowe będzie wykazanie nie tylko dokładności przewidywań AI, lecz przede wszystkim tego, czy leczenie prowadzone na ich podstawie poprawia wyniki pacjentów z glejakiem wielopostaciowym.
Główne wnioski
- Naukowcy z UCSF i University of Michigan opracowali model wykorzystujący AI do przewidywania lokalizacji pierwszego nawrotu glejaka wielopostaciowego. Celem jest identyfikowanie obszarów zagrożonych progresją, zanim nowy guz będzie widoczny w MRI.
- Model opracowano na podstawie około 300 próbek od 60 pacjentów, a następnie przetestowano na około 100 próbkach od kolejnych 20 osób. Mediana czasu do nawrotu wynosiła 5,5 miesiąca.
- Stopień naciekania guza określony przez AI był najsilniejszym pojedynczym predyktorem nawrotu w pięciu z sześciu modeli uczenia maszynowego. System pozwalał przewidywać, czy nawrót wystąpi w odległości 5 lub 10 mm od miejsca pobrania tkanki.
- Technologia może w przyszłości pomóc w rozszerzeniu resekcji, planowaniu radioterapii lub miejscowego podawania leków. Nie wykazano jednak jeszcze, że leczenie prowadzone na podstawie prognoz AI wydłuża przeżycie pacjentów.
Źródło:
- https://www.science.org/doi/10.1126/sciadv.aec8202
- University of California, San Francisco
