Inżynieria i fizyka medyczna

Inżynieria i fizyka medyczna

Ocena przydatności

badań opóźnionych TK w różnicowaniu zmian łagodnych i złośliwych

Kolegium Nauk Medycznych Uniwersytetu Rzeszowskiego Zakład Biochemii i Chemii Ogólnej

Przyrodniczo-Medyczne Centrum Badań Innowacyjnych UR

Mateusz Iwański,

David Aebisher and Dorota Bartusik-Aebisher

RZESZÓW, 12.10.2020

CEL PRACY: Przedstawienie przydatności badań opóźnionych TK do szacowania i różnicowania zmian łagodnych i złośliwych rejonu głowy i szyi (Prezentacja oparta jest na przypadku klinicznym opisanym w literaturze).

SŁOWA KLUCZOWE: TK, diagnostyka, badania opóźnione,

nowotwór głowy i szyi.

Nowotwory regionu głowy i szyi zajmują VI miejsce na świecie co do częstości występowania. Z uwagi na skomplikowaną budowę anatomiczną i funkcjonalną oraz liczne zmiany nowotworowe – łagodne i złośliwe, powinny

stać się ważnym tematem do dyskusji w onkologii.

Streszczenie

● 27 mężczyzn poddano diagnostyce PET/CT z użyciem radiofarmaceutyku

18F-fluorodeoxyglukozy (¹⁸F-FDG), stosowanej w onkologii do wykrywania pierwotnych zmian nowotworowych oraz w lokalizowaniu przerzutów.

● Badanie ¹⁸F-FDG-PET/CT pozwala na ocenę aktywności biologicznej nowotworu, co uzasadnia efekt Warburga (komórki nowotworowe wykazują zwiększony wychwyt glukozy w porównaniu do struktur niezmienionych), dzięki czemu umożliwia diagnostykę różnicową zmian łagodnych i złośliwych, która jest kluczowa do podjęcia prawidłowej ścieżki terapeutycznej.

● W oparciu o dane pacjentów diagnozowanych i leczonych w Wielkopolskim Centrum Onkologii w roku 2016, analizowano struktury nieobjęte procesem złośliwym (razem 207), zmiany złośliwe (41 guzów, 28 węzłów chłonnych) oraz zmiany łagodne (łącznie 15 obszarów).

Materiały i metoda cz.1

● Pacjentów z rozpoznaniem nowotworu złośliwego w regionie głowy i szyi poddano badaniom dwufazowym ¹⁸F-FDG PET/CT, przy użyciu skanera hybrydowego PET/CT GeminiTF16. Pierwsza faza badania (60 min po dożylnej iniekcji ¹⁸F-FDG) polegała na skanowaniu całego ciała, a faza opóźniona badania (90 min od podania ¹⁸F-FDG), na obrazowaniu obszaru głowy i szyi.

● CT niskiej dawki (ang. low-dose CT) o natężeniu 100mAs, napięciu 120KVp i rozdzielczości przestrzennej 5mm, wykonano przed badaniem PET.

Akwizycję PET całego ciała oraz regionu głowy i szyi przeprowadzono badając kolejne odcinki ciała z czasem akwizycji 1min 30 s na odcinek, przy zastosowaniu korekty pochłaniania i korekty rozpadu promieniotwórczego.

Materiały i metoda cz.2

● Do oceny charakteru i prawdopodobnego stopnia złośliwości badanego obszaru, na podstawie aktywności metabolicznej komórek użyto wartości SUV (ang. standardized uptake value): SUV_max oraz SUV_mean aby określić procentowe zmiany aktywności VOI w obu fazach badania wyznaczono wskaźnik retencji (ang. retention index, RI). Wartości wyliczano zgodnie z następującymi równościami:

Źródło: A. Pietrzak, M. Smoleń, W. Cholewiński, Zeszyty Naukowe WCO, Letters in Oncology Science 2017;14(3):63

Wyniki – analiza statystyczna

● Analiza polegała na porównaniu wartości SUV_max i SUV_mean po dożylnej iniekcji radiofarmaceutyku ¹⁸F-FDG po 60 i 90 minutach.

● Rycina przedstawia metodę wykorzystywaną do oznaczenia granic konkretnego obszaru (ROI lub VOI) wraz z naniesionymi mierzonymi parametrami SUV_max i SUV_mean

Źródło: A. Pietrzak, M. Smoleń, W. Cholewiński, Zeszyty Naukowe WCO, Letters in Oncology Science 2017;14(3):63, ryc.1

Wyniki – analiza pomiarów

● Obliczono wartości: SUV_max i SUV_mean dla 60 i 90 min, po dożylnej iniekcji

18F-FDG w grupach: struktury fizjologiczne i zmiany łagodne, struktury fizjologiczne i zmiany złośliwe oraz zmiany łagodne i złośliwe. Wskaźnik retencji (RI), czyli procentowa różnica między wartościami SUV_max w fazie I i II, wykazał, że aktywność metaboliczna glukozy w obszarach fizjologicznych spada, a zmian złośliwych wzrasta.

Źródło: A. Pietrzak, M. Smoleń, W. Cholewiński, Zeszyty Naukowe WCO, Letters in Oncology Science 2017;14(3):65, ryc. 2

Podsumowanie

● Przedstawiony w prezentacji dwufazowy schemat diagnostyczny, 60 i 90 minut po iniekcji ¹⁸F-FDG, wydaje się być wystarczający do prawidłowej oceny aktywności metabolicznej analizowanych struktur oraz określenia tendencji zmian współczynnika retencji w czasie. W strukturach fizjologicznych zaobserwowano spadek aktywności oraz jej wzrost w obrębie zmian łagodnych i zmian złośliwych, przez co powinno się dokonać bardziej wnikliwej analizy, w celu wyznaczenia poprawnego punktu odcięcia wartości SUV_max 90 min po podaniu ¹⁸F-FDG.

Wzrastająca w czasie retencja znacznika w zmianach łagodnych utrudnia diagnostykę różnicową, ponieważ powoduje wzrost średniej wartości parametru SUV w stosunku do pozostałych obszarów. Oznaczenie właściwego punktu odcięcia (ang. cut-off point) wartości SUV_max 90 min wymaga zwiększenia badanej grupy pacjentów oraz użycia dodatkowych bardziej zaawansowanych narzędzi statystycznych np. krzywych ROC (ang. Receiver Operating Characteristics).

Wnioski

● Z uwagi na czułość, specyficzność i dokładność, badania opóźnione PET/CT z zastosowaniem radioizotopu ¹⁸F-FDG, powinny być częścią schematu postępowania diagnostycznego w szacowaniu i różnicowaniu zmian łagodnych i złośliwych regionu głowy i szyi, ponieważ zwiększają prawdopodobieństwo postawienia właściwej diagnozy i wyboru optymalnej metody leczenia.

Źródło: https://www.apsisware.com/r_and_d_machine_learning

RADIOMIKA – metoda ilościowego wyodrębniania istotnych klinicznie cech, których nie można wykryć na podstawie

obrazów radiologicznych (rozmiar, kształt, tekstura)

Model radiomiki w onkologii

Źródło: https://www.sophiagenetics.com/SOPHiA%20AI/Radiomics/Radiomics-for-Oncology/

Współczesna radiologia – diagnostyka i prognozowanie za pomocą uczenia maszynowego

● Aby ułatwić proces wykrywania i analizy, coraz częściej rozwija się sztuczna inteligencja, napędzana przez odpowiednią bazę danych, technologię obliczeniową i nowe algorytmy uczenia maszynowego.

● Uczenie maszynowe – główny podzbiór sztucznej inteligencji, uczy się na podstawie dużej liczby danych, aby uzyskać dokładne prognozy oparte na tych informacjach. Zastosowanie metody uczenia maszynowego w radiologii może promować rozróżnianie łagodnych i złośliwych guzów oraz przewidywać reakcję na ewentualne leczenie w neuroonkologii.

Schemat analizy radiomicznej

Źródło: L. Jiangwei, C. Yinsheng, L. Zhi-Cheng, L. Qihua, Z. Ji, L. Jing, Z. Guangtao, A Deep Learning-Based Radiomics Model for Prediction of Survival in Glioblastoma Multiforme, Nature, Scientific reports, 2017

Illustration of the convolutional neural networks model using imaging and other biomedical data for brain tumor analysis

M. Zhou et al. AJNR Am J Neuroradiol 2018;39:208-216

©2018 by American Society of Neuroradiology

Różnicowanie łagodnych i złośliwych zmian twarzoczaszki na podstawie CT u pacjentów z neurofibromatozą typu I (NF1) -

diagnostyka oparta na uczeniu maszynowym Keras

Źródło: C.J. Wei, C. Yan, Y. Tang, W. Wang, Y.H. Gu, J.Y. Ren, X.W. Cui, X. Lian, J. Liu, H.J. Wang, B. Gu, T. Zan, Q.F. Li, Z.C. Wan, CT–

Based Differentiation of Benign and Malignant Craniofacial Lesions in NF I Patients: A Machine Learning Approach, Frontiers in Oncology, 2020, Volume 10, Article 1192, ryc. 3

● Neurofibromatoza typu I (NF1) jest chorobą predysponującą do raka, dlatego ważne jest, aby odróżniać zmiany łagodne od złośliwych, zwłaszcza w obrębie twarzoczaszki. Zastosowanie CT z wykorzystaniem modelu uczenia maszynowego opartego na Keras (pakiet sieci neuronowych w języku Python) do szkolenia modelu diagnostycznego na zestawach danych CT, ma na celu poprawę skuteczności w odróżnianiu złośliwych od łagodnych zmian twarzoczaszki.

● W badaniu wzięło udział 50 pacjentów z NF1 z łagodnymi nerwiakowłókniakami twarzoczaszki i 6 pacjentów z NF1 z nowotworami złośliwymi. Jako zestaw treningowy wybrano guzy osłonek nerwów obwodowych (MPNST).

● Wniosek: technika uczenia maszynowego oparta na Keras wykazała potencjał diagnostyczny w różnicowaniu MPNST twarzoczaszki i łagodnych nerwiakowłókniaków u pacjentów z NF1 na podstawie obrazów CT, dlatego zaproponowany model może wspierać lekarzy w diagnostyce klinicznej.

Referencje:

A. Argiris, M.V. Karamouzis, D. Raben, R.L. Ferris, Head and neck cancer, The Lancet Elsevier, 2008, Volume 371, Issue 9625, P1695-1709; DOI: https://doi.org/10.1016/S0140-6736(08)60728-X

A. Pietrzak, M. Smoleń, W. Cholewiński, Zeszyty Naukowe WCO, Letters in Oncology Science, 2017, 14(3):61-68; DOI:

https://doi.org/10.21641/los.14.3.37

C.J. Wei, C. Yan, Y. Tang, W. Wang, Y.H. Gu, J.Y. Ren, X.W. Cui, X. Lian, J. Liu, H.J. Wang, B. Gu, T. Zan, Q.F. Li, Z.C. Wan, Computed Tomography–Based Differentiation of Benign and Malignant Craniofacial Lesions in Neurofibromatosis Type I Patients: A Machine Learning Approach, Frontiers in Oncology, 2020, Volume 10, Article 1192; DOI:

https://doi.org/10.3389/fonc.2020.01192

D.A. Delzell, S. Magnuson, T. Peter, M. Smith, B.J. Smith, Machine Learning and Feature Selection Methods for Disease

Classification With Application to Lung Cancer Screening Image Data, Frontiers in Oncology, 2019, Volume 9, Article 1393; DOI:

https://doi.org/10.3389/fonc.2019.01393

G. Langs, S. Röhrich, J. Hofmanninger, Machine learning: from radiomics to discovery and routine, Radiologe, 2018, 58, 1–6; DOI:

https://doi.org/10.1007/s00117-018-0407-3

L. Jiangwei, C. Yinsheng, L. Zhi-Cheng, L. Qihua, Z. Ji, L. Jing, Z. Guangtao, A Deep Learning-Based Radiomics Model for Prediction of Survival in Glioblastoma Multiforme, Nature, Scientific reports, 2017, |7: 10353|; DOI: 10.1038/s41598-017-10649-8

M. Zhou, J. Scott, B. Chaudhury, L. Hall, D. Goldgof, K.W. Yeom, M. Iv, Y. Ou, J. Kalpathy-Cramer, S. Napel, R. Gillies, O.

Gevaert and R. Gatenby, Radiomics in Brain Tumor: Image Assessment, Quantitative Feature Descriptors, and Machine-Learning Approaches, American Journal of Neuroradiology, 2018, 39 (2) 208-216; DOI: https://doi.org/10.3174/ajnr.A5391

https://ecpc.org/get-involved/head-and-neck-cancer-campaign/

https://www.ahns.info/cancer_prevention-svc/

https://www.boehringer-ingelheim.com/central-nervous-system https://www.ehns.org/site/