Uczenie maszynowe w odpowiedzi na szpiczaka (MALIMAR)

Racjonalne uzasadnienie:

Rezonans magnetyczny całego ciała ważony dyfuzją (WB-MRI) to technika, która przedstawia złogi szpiczaka w szpiku kostnym. WB-MRI obejmuje całe ciało podczas jednego skanowania i może być używany do wykrywania miejsc chorobowych bez użycia promieniowania jonizującego. Chociaż WB-MRI umożliwia „na pierwszy rzut oka” ocenę obciążenia chorobą, wymaga znacznej wiedzy specjalistycznej, aby dokładnie zidentyfikować i określić ilościowo aktywnego szpiczaka. Technika ta jest czasochłonna w raportowaniu ze względu na dużą liczbę obrazów. Kolejnym wyzwaniem jest rozpoznanie, czy po leczeniu pacjent ma chorobę resztkową. Uczenie maszynowe (ML) to technika komputerowa, którą można wyszkolić w celu automatycznego wykrywania miejsc chorobowych w celu wsparcia interpretacji radiologa. Badacze są przekonani, że ta technika pomoże radiologowi w dokładniejszej i szybszej interpretacji skanu.

Algorytmy uczenia maszynowego zostały pomyślnie opracowane w celu rozpoznawania niektórych innych typów raka. Badacze uważają, że może to być skuteczne u pacjentów ze szpiczakiem, u których National Institute for Health and Care Excellence (NICE) zaleca MRI całego ciała. Może to pozwolić na szersze zastosowanie tej techniki w Narodowej Służbie Zdrowia (NHS). W badaniu MALIMAR badacze opracują i przetestują metody ML, które mogą potencjalnie zwiększyć dokładność i skrócić czas odczytu skanów WB-MRI u pacjentów ze szpiczakiem. Badacze proponują opracowanie narzędzi ML do wykrywania i ilościowego określania aktywnej choroby przed i po leczeniu w oparciu o WB-MRI.

Badania będą prowadzone w Royal Marsden Hospital (RMH) NHS Foundation Trust, Institute of Cancer Research (ICR) London i Imperial College London. Badacze wykorzystają skany MRI całego ciała (WB-MRI), które zostały już wykonane u pacjentów ze szpiczakiem. Obejmą one również 50 nowych skanów uzyskanych w RMH ze skanów zdrowych ochotników, które posłużą do „nauczenia” komputera rozróżniania zdrowych i chorych tkanek.

Projekt badawczy:

Badania zostaną podzielone na trzy części:

1. Opracowanie narzędzia Machine Learning (ML) do wykrywania aktywnego szpiczaka
2. Pomiar zdolności narzędzia ML do poprawy interpretacji obrazów WB-MRI przez radiologów przy użyciu zestawu skanów od pacjentów z aktywnym i nieaktywnym szpiczakiem oraz nowych skanów uzyskanych od zdrowych ochotników
3. Opracowanie narzędzia ML do ilościowego określania obciążenia chorobą i zmian między skanami WB-MRI przed i po leczeniu w celu identyfikacji odpowiedzi na leczenie

Główną miarą wyniku tego badania będzie poprawa w wykrywaniu aktywnej choroby i jej obciążenia oraz skrócenie czasu czytania radiologii. Badacze ocenią skrócenie czasu czytania zarówno u doświadczonych, jak i niespecjalistów radiologów.