Maschinelles Lernen bei der Reaktion auf Myelome (MALIMAR)

Begründung:

Die diffusionsgewichtete Ganzkörper-Magnetresonanztomographie (WB-MRT) ist eine Technik, die Myelomablagerungen im Knochenmark darstellt. Die WB-MRT deckt den gesamten Körper in einem einzigen Scan ab und kann zur Erkennung von Krankheitsherden ohne den Einsatz ionisierender Strahlung eingesetzt werden. Obwohl die WB-MRT eine „auf einen Blick“ Beurteilung der Krankheitslast ermöglicht, erfordert sie erhebliches Fachwissen, um aktive Myelome genau zu identifizieren und zu quantifizieren. Aufgrund der großen Anzahl an Bildern ist die Berichterstattung über die Technik zeitaufwändig. Eine weitere Herausforderung besteht darin, zu erkennen, ob ein Patient nach der Behandlung eine Resterkrankung aufweist. Maschinelles Lernen (ML) ist eine Computertechnik, die darauf trainiert werden kann, Krankheitsherde automatisch zu erkennen, um die Interpretation des Radiologen zu unterstützen. Die Forscher glauben, dass diese Technik dem Radiologen helfen wird, den Scan genauer und schneller zu interpretieren.

Algorithmen für maschinelles Lernen wurden erfolgreich entwickelt, um einige andere Krebsarten zu erkennen. Die Forscher glauben, dass es bei Patienten mit Myelom erfolgreich sein könnte, bei denen das National Institute for Health and Care Excellence (NICE) eine Ganzkörper-MRT empfiehlt. Dies könnte eine breitere Anwendung der Technik im National Health Service (NHS) ermöglichen. In der MALIMAR-Studie werden die Forscher ML-Methoden entwickeln und testen, die das Potenzial haben, die Genauigkeit zu erhöhen und die Lesezeit von WB-MRT-Scans bei Myelompatienten zu verkürzen. Die Forscher schlagen vor, ML-Tools zur Erkennung und Quantifizierung aktiver Krankheiten vor und nach der Behandlung basierend auf WB-MRT zu entwickeln.

Die Forschung wird am Royal Marsden Hospital (RMH) NHS Foundation Trust, am Institute of Cancer Research (ICR) London und am Imperial College London durchgeführt. Die Forscher werden Ganzkörper-MRT-Scans (WB-MRT) verwenden, die bereits bei Myelompatienten erfasst wurden. Dazu gehören auch 50 neue Scans, die am RMH von gesunden Freiwilligen erstellt wurden und dazu dienen sollen, dem Computer beizubringen, zwischen gesundem und krankem Gewebe zu unterscheiden.

Forschungsdesign:

Die Forschung gliedert sich in drei Teile:

1. Entwicklung des Tools für maschinelles Lernen (ML) zur Erkennung von aktivem Myelom
2. Messung der Fähigkeit des ML-Tools, die Interpretation von WB-MRT-Scans durch Radiologen anhand einer Reihe von Scans von Patienten mit aktivem und inaktivem Myelom und neuer Scans von gesunden Freiwilligen zu verbessern
3. Entwicklung des ML-Tools zur Quantifizierung der Krankheitslast und der Veränderungen zwischen WB-MRT-Scans vor und nach der Behandlung, um das Ansprechen auf die Behandlung zu ermitteln

Das wichtigste Ergebnismaß dieser Studie wird die Verbesserung der Erkennung aktiver Krankheiten und der Krankheitslast sowie die Verkürzung der radiologischen Befundzeit sein. Die Forscher werden die Verkürzung der Lesezeit sowohl bei erfahrenen Fachärzten als auch bei nicht-spezialisierten Radiologen beurteilen.