Исследователи разработали алгоритм искусственного интеллекта (ИИ) на основе глубокого обучения, который анализирует серии МРТ-снимков после лечения и прогнозирует риск рецидива опухоли у детей с глиомами. Ученые использовали почти 4 тысячи МРТ-сканов 715 пациентов и метод временного обучения (анализ последовательных снимков за месяцы) для построения модели. Она предсказала рецидив глиом низкой и высокой злокачественности в течение года после лечения с точностью 75–89%, превысив показатели моделей, основанных на анализе единичных снимков (точность около 50%). Результаты опубликованы в журнале The New England Journal of Medicine AI.
Глиомы — это опухоли мозга, которые встречаются редко, но привлекают особое внимание из-за распространенности некоторых форм и тяжести симптомов. Опухоли мозга и нервной системы составляют около 18% всех злокачественных новообразований у детей. Симптомы могут включать головные боли, тошноту, нарушение координации, зрения или речи, судороги. Лечение предполагает операцию, лучевую и химиотерапию. Если опухоль менее опасна (низкозлокачественная), ее можно полностью вылечить. Однако агрессивные (высокозлокачественные) опухоли часто возвращаются через какое-то время после лечения.
Исследователи использовали искусственный интеллект для анализа МРТ-снимков детей с глиомами. Они собрали почти 4 тысячи МРТ-сканов 715 пациентов, чтобы обучить алгоритмы глубинного обучения предсказывать риск рецидива опухоли. Ученые применили метод временного обучения, который учитывает изменения на снимках, сделанных в течение нескольких месяцев после операции.
Обычно ИИ анализирует отдельные снимки, но новая модель училась распознавать закономерности в последовательностях изображений. Сначала алгоритм сортировал снимки по времени, чтобы выявлять даже незначительные изменения. Затем ученые его доработали, чтобы он связывал эти изменения с будущими рецидивами.
Модель показала точность 75-89% в прогнозировании рецидива низко- и высокозлокачественных глиом в течение года после лечения. Это значительно выше, чем предсказания по одному снимку (точность около 50%, что сравнимо со случайной моделью). Чем больше снимков использовалось — тем лучше результат, но после четырех-шести изображений точность перестала повышаться.
Исследователи подчеркивают, что метод требует дополнительной проверки в клинических условиях. В будущем они планируют испытания, чтобы проверить, можно ли сократить частоту МРТ для пациентов с низким риском рецидива или заранее назначать терапию при высоком риске.
