โมเดลการเรียนรู้เชิงลึกช่วยให้สามารถตรวจหามะเร็งต่อมน้ำเหลืองได้อย่างรวดเร็วในภาพ PET/CT

เอกซเรย์ปล่อยโพซิตรอนทั้งตัวร่วมกับการตรวจเอกซเรย์คอมพิวเตอร์ (PET/CT) เป็นรากฐานที่สำคัญในการจัดการมะเร็งต่อมน้ำเหลือง (มะเร็งในระบบน้ำเหลือง) การสแกน PET/CT ใช้ในการวินิจฉัยโรคและติดตามว่าผู้ป่วยตอบสนองต่อการรักษาได้ดีเพียงใด อย่างไรก็ตาม การจำแนกประเภทต่อมน้ำเหลืองทุกจุดอย่างแม่นยำในการสแกนว่ามีสุขภาพดีหรือเป็นมะเร็งนั้นเป็นกระบวนการที่ซับซ้อน

ใช้เวลานานการติดตามการรักษาเชิงปริมาณโดยละเอียด

จึงมักไม่สามารถทำได้ในการปฏิบัติทางคลินิกแบบวันต่อวันนักวิจัยจากUniversity of Wisconsin-Madisonได้พัฒนารูปแบบการเรียนรู้เชิงลึกที่สามารถทำงานนี้ได้โดยอัตโนมัติ ซึ่งจะช่วยประหยัดเวลาอันมีค่าของแพทย์และทำให้การติดตามการรักษา PET/CT เชิงปริมาณเป็นไปได้สำหรับผู้ป่วยจำนวนมากขึ้น

ในการรับการสแกนด้วย PET/CT ผู้ป่วยจะได้รับการฉีดโมเลกุลน้ำตาลที่มีฟลูออรีนกัมมันตภาพรังสี -18 ( 18 F-fluorodeoxyglucose) เมื่ออะตอมของฟลูออรีนสลายตัว มันจะปล่อยโพซิตรอนออกมาซึ่งจะทำลายล้างด้วยอิเล็กตรอนในบริเวณใกล้เคียงทันที กระบวนการทำลายล้างนี้จะปล่อยโฟตอนแบบ back-to-back จำนวน 2 ชุด ซึ่งเครื่องสแกนจะตรวจจับและใช้เพื่ออนุมานตำแหน่งของการสลายตัวของกัมมันตภาพรังสี

เนื่องจากเนื้องอกเติบโตเร็วกว่าเนื้อเยื่อที่แข็งแรงส่วนใหญ่ พวกมันจึงต้องใช้พลังงานมากขึ้น ตัวติดตามกัมมันตภาพรังสีส่วนใหญ่จะถูกดึงไปยังรอยโรคของมะเร็งต่อมน้ำเหลือง ทำให้มองเห็นได้ในการสแกนด้วย PET/CT อย่างไรก็ตาม เนื้อเยื่อประเภทอื่นๆ เช่น เนื้อเยื่อไขมันบางชนิด สามารถ “ทำให้” การสแกนในลักษณะเดียวกันนี้ “สว่างขึ้น” ซึ่งอาจทำให้เกิดผลบวกที่ผิดพลาดได้

โครงข่ายประสาทเทียม: แม่นยำและรวดเร็ว

ในการศึกษาของพวกเขาซึ่งตีพิมพ์ในRadiology: Artificial Intelligence , Amy Weismanและเพื่อนร่วมงานได้ตรวจสอบแบบจำลองการเรียนรู้เชิงลึกที่ระบุรอยโรคซึ่งสร้างขึ้นจากการกำหนดค่าต่างๆ ของโครงข่ายประสาทเทียม (CNNs) พวกเขาฝึกฝน ทดสอบ และตรวจสอบแบบจำลองเหล่านี้โดยใช้การสแกน PET/CT ของผู้ป่วย 90 รายที่เป็นมะเร็งต่อมน้ำเหลือง Hodgkin หรือมะเร็งต่อมน้ำเหลือง B-cell ขนาดใหญ่ เพื่อจุดประสงค์นี้ นักรังสีวิทยาเพียงคนเดียวได้วาดภาพรอยโรคในแต่ละการสแกนและจำแนกแต่ละรอยในระดับตั้งแต่ 1-5 ขึ้นอยู่กับว่ารอยโรคนั้นเป็นมะเร็งหรือไม่

นักวิจัยพบว่าแบบจำลองที่ประกอบด้วย CNN สามชุดทำงานได้ดีที่สุด โดยระบุ 85% ของรอยโรคที่โค้งด้วยมือ (923 จาก 1,087 ที่เรียกว่าอัตราผลบวกที่แท้จริง) ในเวลาเดียวกัน มันระบุรอยโรคสี่อย่างผิด ๆ ต่อผู้ป่วยหนึ่งราย (อัตราการบวกลวง) เวลาในการประเมินการสแกนครั้งเดียวลดลงจาก 35 นาทีโดยใช้การกำหนดแบบแมนนวลให้เหลือน้อยกว่าสองนาทีสำหรับแบบจำลอง

เป็นการยากมากที่จะจำแนกต่อมน้ำเหลืองทุกต่อมน้ำเหลืองในการสแกนว่าเป็นมะเร็งหรือไม่แน่นอน 100% ด้วยเหตุนี้ หากนักรังสีวิทยาสองคนวาดภาพรอยโรคของผู้ป่วยรายเดียวกัน พวกเขาก็ไม่น่าจะตกลงกันได้อย่างสมบูรณ์ เมื่อนักรังสีวิทยาคนที่สองประเมินการสแกน 20 ครั้ง อัตราบวกที่แท้จริงของพวกเขาคือ 96% ในขณะที่พวกเขาทำเครื่องหมายที่โหนดมะเร็งโดยเฉลี่ย 3.7 ต่อผู้ป่วยที่เพื่อนร่วมงานของพวกเขาไม่มี ในผู้ป่วย 20 รายนี้ โมเดลการเรียนรู้เชิงลึกมีอัตราบวกที่แท้จริง 90% ที่ 3.7 ผลบวกลวงต่อการสแกน ทำให้การคาดการณ์เกือบจะดีพอๆ กับความผันแปรระหว่างผู้สังเกตสองคน

คาดหวังและคาดไม่ถึงความท้าทาย

บ่อยครั้ง อุปสรรคที่ใหญ่ที่สุดประการหนึ่งในการสร้างแบบจำลองประเภทนี้คือการฝึกอบรมต้องใช้การสแกนที่มีการกำหนดอย่างระมัดระวังเป็นจำนวนมาก ผู้เขียนศึกษาได้ทดสอบว่าแบบจำลองของพวกเขาทำงานได้ดีเพียงใดขึ้นอยู่กับจำนวนผู้ป่วยที่ใช้ในการฝึกอบรม ที่น่าสนใจคือ พวกเขาพบว่าแบบจำลองที่ฝึกกับผู้ป่วย 40 คนทำได้เช่นเดียวกับแบบจำลองที่ได้รับการฝึกใน 72 คน

Amy Weisman เฉลิมฉลองการป้องกันปริญญาเอกทางออนไลน์ของเธอ การศึกษาครั้งนี้เป็นส่วนหนึ่งของงานวิทยานิพนธ์ของเธอ จากข้อมูลของ Weisman การได้รับรายละเอียดรอยโรคโดยละเอียดสำหรับการฝึกแบบจำลองนั้นพิสูจน์แล้วว่าเป็นงานที่ท้าทายมากขึ้น: “แพทย์และนักรังสีวิทยาไม่จำเป็นต้องแบ่งส่วนเนื้องอกอย่างระมัดระวัง และไม่จำเป็นต้องติดฉลากรอยโรคในระดับ 1 ถึง 5 ในกิจวัตรประจำวันของพวกเขา ดังนั้นการขอให้แพทย์ของเรานั่งลงและตัดสินใจเช่นนั้นเป็นเรื่องที่น่าอึดอัดใจสำหรับพวกเขาจริงๆ” เธออธิบาย

Weisman กล่าวว่าความอึดอัดในตอนแรกนั้นเอาชนะได้อย่างรวดเร็ว “ด้วยเหตุนี้ มินนี่ (แพทย์คนหนึ่งของเรา) และฉันสนิทสนมกันมากในช่วงเวลาที่เธอแบ่งกลุ่มให้เรา – และฉันสามารถส่งข้อความหาเธอและพูดว่า ‘เกิดอะไรขึ้นกับภาพ/รอยโรคนี้’ การมีความสัมพันธ์แบบนั้นช่วยได้มาก”

การวิจัยในอนาคตจะมุ่งเน้นไปที่การรวมข้อมูลเพิ่มเติมและหลากหลายมากขึ้น “การรับข้อมูลเพิ่มเติมนั้นเป็นขั้นตอนต่อไปในการปรับปรุงแบบจำลอง และทำให้แน่ใจว่าจะไม่ล้มเหลวเมื่อมีการใช้งาน” Weisman กล่าว ในเวลาเดียวกัน กลุ่มนี้กำลังทำงานเพื่อค้นหาวิธีที่ดีที่สุดสำหรับแพทย์ในการใช้และโต้ตอบกับแบบจำลองในการทำงานประจำวันของพวกเขา

นักวิจัยหลักJianrong Daiและผู้เขียนคนแรก Jiayun Chen ได้กำหนดแผนการรักษาเจ็ดแผนสำหรับผู้ป่วยแต่ละราย โดยเป็นตัวแทนของ linac เจ็ดตัวที่กำหนดค่าด้วยความเร็วใบ MLC สูงสุด (MMLS) ที่ 1.0, 1.5, 2.25, 3.5, 5.0, 7.5 และ 10.0 ซม./วินาที แผน VMAT อัตโนมัติพร้อมพารามิเตอร์การปรับให้เหมาะสมเริ่มต้นเหมือนกันได้รับการออกแบบตามโปรโตคอลทางคลินิกของศูนย์ ซึ่งจะช่วยขจัดความแปรปรวนระหว่างผู้ปฏิบัติงาน แผน VMAT คำนวณโดยใช้โฟตอน 6 MV โดยมีอัตราปริมาณรังสีแปรผันสูงสุด 600 MU/นาที ระยะห่างระหว่างมุมของโครงสำหรับตั้งสิ่งของ ทิศทางและองศาการหมุนของส่วนโค้งและคอลลิเมเตอร์ และเวลาการหมุนสูงสุดของแต่ละส่วนโค้งนั้นเหมือนกันสำหรับทุกแผน