Maskinlæring i myelomrespons (MALIMAR)

Begrundelse:

Diffusionsvægtet magnetisk resonansbilleddannelse af hele kroppen (WB-MRI) er en teknik, der afbilder myelomaflejringer i knoglemarven. WB-MRI dækker hele kroppen i løbet af en enkelt scanning og kan bruges til at påvise sygdomssteder uden at bruge ioniserende stråling. Selvom WB-MRI giver mulighed for "over et øjeblik" vurdering af sygdomsbyrden, kræver det betydelig ekspertise til nøjagtigt at identificere og kvantificere aktivt myelom. Teknikken er tidskrævende at rapportere på grund af det store antal billeder. En yderligere udfordring er at erkende, om en patient har en resterende sygdom efter behandlingen. Machine learning (ML) er en computerteknik, der kan trænes til automatisk at opdage sygdomssteder for at understøtte radiologens fortolkning. Efterforskerne mener, at denne teknik vil hjælpe radiologen til at fortolke scanningen mere præcist og hurtigere.

Maskinlæringsalgoritmer er med succes udviklet til at genkende nogle andre kræfttyper. Efterforskerne mener, at det kan være en succes hos patienter med myelom, hos hvem The National Institute for Health and Care Excellence (NICE) anbefaler helkrops-MR. Dette kunne gøre det muligt for teknikken at blive mere udbredt i National Health Service (NHS). I MALIMAR-studiet vil efterforskerne udvikle og teste ML-metoder, der har potentialet til at øge nøjagtigheden og reducere læsetiden for WB-MRI-scanninger hos myelompatienter. Efterforskerne foreslår at udvikle ML-værktøjer til at opdage og kvantificere aktiv sygdom før og efter behandling baseret på WB-MRI.

Forskning vil blive udført på Royal Marsden Hospital (RMH) NHS Foundation Trust, Institute of Cancer Research (ICR) London og Imperial College London. Efterforskerne vil bruge Whole Body MRI (WB-MRI) scanninger, der allerede er blevet erhvervet hos myelompatienter. De vil også omfatte 50 nye scanninger opnået på RMH fra raske frivillige scanninger, som vil blive brugt til at 'lære' computeren at skelne mellem sundt og sygt væv.

Forskningsdesign:

Forskningen vil blive opdelt i tre dele:

1. Udvikling af værktøjet Machine Learning (ML) til at detektere aktivt myelom
2. Måling af ML-værktøjets evne til at forbedre radiologernes fortolkning af WB-MRI scanninger ved hjælp af et sæt scanninger fra patienter med aktivt og inaktivt myelom og nye scanninger opnået fra raske frivillige
3. Udvikling af ML-værktøjet til at kvantificere sygdomsbyrde og ændringer mellem før- og efterbehandling WB-MRI-scanninger for at identificere respons på behandling

Det vigtigste resultatmål for denne undersøgelse vil være forbedringen i påvisningen af ​​aktiv sygdom og sygdomsbyrde og reduktionen af ​​radiologiens læsetid. Efterforskerne vil vurdere reduktionen i læsetid hos både erfarne speciallæger og ikke-specialister radiologer.