Maschinelles Lernverfahren zur personalisierten Vorhersage der Hirntumorprogression
2023
University of Waterloo, Waterloo, Kanada
Glioblastoma multiforme (GBM) ist eine der tödlichsten Krebsarten. Verfahren zur Charakterisierung dieser Tumoren sind wertvoll, um Vorhersagen über ihre Progression und ihr Ansprechen auf die Behandlung zu verbessern. Ein mathematisches Modell namens Proliferation-Invasion (PI)-Modell wurde in der Literatur ausgiebig verwendet, um das Wachstum dieser Tumore zu modellieren, obwohl es auf zwei Schlüsselparametern beruht, die auf patientenspezifische Weise schwer abzuschätzen sind. In diesem Artikel entwickeln und wenden die Forscher ein Deep-Learning-Modell an, das in der Lage ist, genaue Schätzungen dieser Schlüsselparameter für GBM vorzunehmen und gleichzeitig eine vollständige Vorhersage der Tumorprogressionskurve zu erstellen. Das Verfahren verwendet MRT-Daten. Das Modell wurde auf einen klinischen Datensatz angewendet, der aus fünf GBM-Patienten bestand. Für alle Patienten leiten die Forscher evidenzbasierte Schätzungen für jeden der PI-Modellparameter und Vorhersagen für das zukünftige Fortschreiten des Tumors sowie Schätzungen der Parameterunsicherheiten ab. Diese Arbeit stellt eine neue, leicht verallgemeinerbare Methode zur Schätzung patientenspezifischer Tumorparameter bereit, auf der aufgebaut werden kann, um Ärzte bei der Gestaltung personalisierter Behandlungen zu unterstützen.
Deep learning characterization of brain tumours with diffusion weighted imaging
Cameron Meaney
Eingestellt am: 19.01.2023
[1] https://www.sciencedirect.com/science/article/abs/pii/S0022519322003332?via%3Dihub[2] https://neurosciencenews.com/brain-cancer-machine-learning-22266/
