Einsatz fortschrittlicher KI-Technologie für die genaue Bewertung von Hirntumoren in der PET-Bildgebung
17 Oktober 2023
In einem Vortrag vor der Society of Nuclear Medicine and Molecular Imaging (SNMMI) beschreibt INM-4-Wissenschaftler Philipp Lohmann einen auf Deep Learning basierenden Segmentierungsalgorithmus, der von seinem Team entwickelt wurde. Die hochmoderne Methode ermöglicht eine robuste und vollautomatische volumetrische Auswertung von Aminosäure-PET-Daten bei Patienten mit Gliomen und kann so die Diagnose und Therapieüberwachung verbessern.
Der entwickelte Algorithmus wurde an einem großen Datensatz aus 699 FET-PET-Scans, die bei der Erstdiagnose oder während der Nachuntersuchung von 555 Hirntumorpatienten gewonnen wurden, trainiert und feinabgestimmt, um das metabolische Tumorvolumen automatisch zu bewerten. Der Algorithmus wurde anschließend zur Analyse von Daten aus einer kürzlich durchgeführten FET-PET-Studie zur Beurteilung des Ansprechens von Glioblastom-Patienten auf eine adjuvante Temozolomid-Chemotherapie verwendet. Die Auswertung des Algorithmus wurde mit der eines erfahrenen Arztes verglichen, wie in der in The Journal of Nuclear Medicine veröffentlichten Studie beschrieben.
Die Ergebnisse der Studie zeigen die beeindruckende Genauigkeit des Algorithmus, der 92 Prozent der Läsionen genau identifizieren konnte. Darüber hinaus wurde festgestellt, dass die Erkennung von Veränderungen des metabolischen Tumorvolumens durch den Algorithmus signifikant mit dem krankheitsfreien und dem Gesamtüberleben korreliert, was mit der Einschätzung des Arztes übereinstimmt.
In dem Interview unterstreicht Lohmann die Bedeutung des in der Studie entwickelten Segmentierungswerkzeugs und hebt dessen Potenzial hervor, die Aminosäure-PET weiterzuentwickeln und ihren klinischen Nutzen zu stärken. Er weist darauf hin, dass dieses Instrument eine wertvolle Ressource sein könnte, die Patienten mit Hirntumoren wichtige diagnostische Informationen liefert.
Das vollständige Interview ist hier zu finden
Originalpublikation: Automatisierte Erkennung und Segmentierung von Hirntumoren zur Beurteilung des Behandlungserfolgs mit Aminosäure-PET