Modelo de IA para imágenes PET determina respuesta del paciente a tratamientos de tumores cerebrales

La evaluación de los cambios en el volumen metabólico tumoral (VMT) mediante exploraciones PET utilizando radiotrazadores específicos como la fluoroetil tirosina (FET) F-18 juega un papel vital en la evaluación de la respuesta al tratamiento en pacientes con tumores cerebrales. Convencionalmente, el VMT se determina a través procesos manuales o semiautomáticos, que no sólo son lentos sino que también pueden variar dependiendo del médico que realiza la tarea. Ahora, un nuevo modelo de IA para imágenes PET podría ayudar enormemente a los médicos a evaluar cómo responden los pacientes a los tratamientos de tumores cerebrales.

Investigadores del Hospital Universitario de Aquisgrán (Aquisgrán, Alemania) demostraron que un modelo de IA basado en aprendizaje profundo puede automatizar la segmentación del VMT en imágenes PET cerebrales, eliminando potencialmente la necesidad de que los médicos humanos preprocesen estas imágenes. El objetivo de su estudio fue crear un método para la segmentación automatizada del VMT y evaluar su eficacia para medir las respuestas al tratamiento en pacientes con glioma. La investigación incluyó una colección de 699 exploraciones FET-PET F-18 de 555 pacientes con tumores cerebrales, obtenidas bien en el momento del diagnóstico inicial o durante visitas de seguimiento posteriores. Médicos experimentados en medicina nuclear primero segmentaron el VMT en estas imágenes, abarcando lesiones con niveles variables de captación del radiotrazador FET F-18.

Luego, el equipo utilizó 476 de estas imágenes para entrenar una red neuronal de IA, denominada "no new U-Net", para realizar la segmentación de VMT. Para evaluar la precisión del modelo, lo aplicaron a un conjunto de datos de imágenes que constaba de 223 exploraciones de 156 pacientes diferentes. De las 205 lesiones que mostraron mayor captación de FET F-18 en este conjunto de datos, el modelo identificó correctamente 189. Curiosamente, el modelo no identificó erróneamente ninguna región anatómica con una mayor captación normal del radiotrazador FET F-18, como en el seno sagital superior, como tumores. El rendimiento del modelo fue bastante notable, logrando una puntuación F1 media del 92 %, una sensibilidad del 93 % y un valor predictivo positivo del 95 % en la detección de lesiones. Una ventaja importante de este modelo es su capacidad para automatizar completamente la segmentación 3D utilizando un solo escaneo FET-PET F-18. Además, puede realizar esta tarea en menos de dos minutos utilizando una unidad de procesamiento de gráficos estándar, sin necesidad de ningún procesamiento previo.

"El hallazgo principal de nuestro estudio es que nuestra red neuronal basada en aprendizaje profundo permite una detección fiable y totalmente automatizada y una segmentación 3D de tumores cerebrales investigados por FET-PET F-18", señalaron los investigadores. "Este hallazgo resalta el valor de la red para la mejora y automatización de la toma de decisiones clínicas basada en la evaluación volumétrica de PET de aminoácidos".

Enlaces relacionados:
Hospital Universitario de Aquisgrán  

Visitar la expo >

Ultrasonic Pocket Doppler

SD1

Ultrasound Table

Women’s Ultrasound EA Table

Multi-Use Ultrasound Table

Clinton

Digital Radiographic System

OMNERA 300M