Laut einer im Journal of Nuclear Medicine erschienenen Studie bietet ein neues KI-Tool ein vollständig automatisiertes System, das leicht zu verwenden und objektiv ist, um Hirntumoren zu erkennen und zu beurteilen. Der für die Verwendung mit Aminosäuren-PET entwickelte Deep Learning-Algorithmus ist außerdem in der Lage, zu bewerten, wie Patient:innen mit Hirntumor auf die Therapie ansprechen, und zwar mit einer Genauigkeit, die der eines erfahrenen Arztes entspricht, ist allerdings viel schneller.
Die Positronen-Emissions-Tomographie (PET) spielt in der Diagnose von Hirntumoren als Ergänzung der strukturellen Magnetresonanztomographie (MRT ) eine immer wichtigere Rolle. In den letzten Jahren hat eine Reihe von Studien gezeigt, welche Bedeutung das metabolische Tumorvolumen hat, um die Therapieansprache der Patient:innen zu bewerten. Da jedoch die Messung von Veränderungen des metabolischen Volumens eines Hirntumors viel Zeit beansprucht, gehört sie meist nicht zu den routinemäßig vorgenommenen klinischen Bewertungen.
In ihrer retrospektiven Studie analysierten die Forschenden 699 18F-FET-PET-Aufnahmen (die bei der anfänglichen Diagnose oder im Zuge des Follow-up entstanden waren) von 555 Patient:innen mit Hirntumor. Der auf Deep Learning beruhende Segmentierungs-Algorithmus wurde mit Trainingsdaten und einem Testdatensatz konfiguriert und die Veränderungen im metabolischen Tumorvolumen gemessen. Schließlich wurde der Algorithmus auf die Daten einer kürzlich veröffentlichten FET-PET-Studie angewendet, die untersucht hat, wie Patient:innen mit Glioblastom auf eine adjuvante Chemotherapie mit Temozolomid ansprachen. Die Bewertung der Therapieansprache durch den Algorithmus wurde in Folge mit der Beurteilung durch einen erfahrenen Arzt verglichen.
Der Algorithmus identifizierte 92 % der Läsionen mit erhöhter Aufnahme und 85 % der Läsionen mit iso- oder hypometabolischer Aufnahme. Die vom Algorithmus festgestellte Veränderung des metabolischen Tumorvolumens war eine wichtige Determinante sowohl für das krankheitsfreie Überleben wie das Gesamtüberleben, in Übereinstimmung mit der Bewertung durch den Arzt.
Der Segmentierungs-Algorithmus ist frei zugänglich und kann in weniger als zwei Minuten und ohne vorherige Elaboration auf einem normalen Computer mit GPU ausgeführt werden, damit er leichter in die klinische Praxis implementiert werden kann. „Wir hoffen, dass wir die behandelnden Ärzt:innen in den neuro-onkologischen Kliniken ermutigen und sie dabei unterstützen, Aminosäuren-PET bei ihren Patient:innen durchzuführen, auch wenn sie nur wenig oder gar keine Erfahrung haben“, erklären die Autor:innen. „Alle Patient:innen mit Gehirntumor sollten Zugang zu Aminosäuren-PET haben.”
Fonte
Gutsche et al. Automated brain tumor detection and segmentation for treatment response assessment using amino acid PET. J Nucl Med 2023;64(10):1594-1602.