亞洲健康互聯
優化產業的推手,生醫商機的GPS!

首頁產業資訊精準醫療精準醫療影像AI的新發展-以ANN深度學習演算法自動、量化評估腦腫瘤治療成效

影像AI的新發展-以ANN深度學習演算法自動、量化評估腦腫瘤治療成效

來源 : 圖遠生技Albert Yen
update : 2019/12/19
圖片來源:圖遠生技
醫學影像AI須具備那些特質,才能讓受眾願意掏腰包? 解除痛點? 提升效率? 帶進收益? 以下是一個讓人眼睛為之一亮的經典案例。

腦腫瘤的治療監控和新療法臨床試驗療效評估,由於以下痛點阻礙臨床研究和臨床試驗的發展:
 
1. MRI的掃描參數未全面標準化
MRI是腦腫瘤偵測ヽ分期與療效評估的關鍵方法。當多中心腦腫瘤研究和臨床試驗必須匯集來自不同機構的MRI影像,標準化MRI的掃描參數,成為必要的基礎。雖然2015年EORTC (The European Organization of Research and Treatment of Cancer)的腦腫瘤小組(BTG, Brain Tumor Group)已經發表腦腫瘤標準化MRI掃描protocol1
 
2. 療效評估已有國際標準,但不易落實在醫院環境,大多在臨床試驗採用
RANO(Response Assessment in Neuro-Oncology)2,是目前最常被臨床試驗採用來評估腦腫瘤新藥與療法的影像標準。RANO取決於MRI影像上被標定目標病灶(Target Lesion)手動、二維的測量結果,這潛在限制了腫瘤負荷(Tumor Burden)測量和治療反應的準確性和可靠度(Reliability)。因此,如何從影像上測量腫瘤體積一直是人們感興趣研究專題。
 
3. 療效評估與測量增加額外工作
先前已有研究指出,由影像測量腫瘤體積比二維、單維測量在腦腫瘤與肺腫瘤長徑、短徑的治療評估與預測存活率更準確與可靠。然而,手動方式須在腫瘤多張切片圈選腫瘤外緣ヽ分割與周圍組織(Segmentation)得出面積、乘上該張影像層厚(Slice Thickness),並加總為體積的測量方式不但操作繁複、耗力、費時並潛存人為操作誤差也在臨床環境中不切實際。
 
4. 有經驗的判讀醫師少且養成不易
此乃以上因素的結果。在國內如此,國外也有類似的情況。
 
經由AI可以解決這些痛點嗎?
德國海德堡大學醫院與德國國家癌症研究中心的研究團隊在The Lancet Oncology發表他們開發的深度學習演算法3,從MRI影像使用ANN實現全自動識別、圈選腫瘤、計算體積並依RANO評估治療過程腫瘤負荷的變化。
 
同時,論文中也顯示: 運用該演算法的自動腫瘤負荷體積測量在獨立ヽ不同的大規模數據集均非常準確(highly accurate),應用於多中心臨床試驗的數據集在可靠度(Reliability)與作為替代性臨床試驗終點(Surrogate Endpoint)預測總體生存率均優於中心判讀的RANO評估。為促進臨床轉譯(Clinical Translation),該研究團隊也將此全自動MRI量化分析程序,整合進軟體基礎設施,方便導入運用。
 
該研究結果顯示,運用ANN的深度學習演算法全自動MRI量化分析,可以協助醫師克服原有手動評估腫瘤負荷的局限性。這方法可以改善並標準化臨床試驗與例行臨床實踐中的腦腫瘤治療成效評估並可能成為神經腫瘤學上臨床決策上的寶貴資產。


(圖左為c-T1w手動完成二維腫瘤負荷測量之目標病灶,圖右為同一位置的NE FLAIR且兩者不同組織對比下顯現不同病灶範圍。圖片來源:圖遠生技)

圖遠觀點:
  • 臨床試驗以影像作為替代性終點時,判讀的可靠度(Inter-Rater and Intra-Rater Variability)始終是人們關心的議題,也因而發展出盲性中央獨立評估 (BICR,Blinded Independent Central Review或稱中心判讀)的機制。
  • RECIST評估MRI影像,僅依據顯影劑對比增強影像(Contrast Enhanced T1, 下簡c-T1w),RANO還加上非增強影像(Non-Enhanced Sequence,含T2權重的FLAIR波序,下簡NE)的評估資訊。兩者相比,RANO判讀的準確性和可靠度更具挑戰性。
  • 海德堡團隊發展的ANN演算法,以數據集中T1-w, cT1-w, FLAIR與T2-w 4種波序(也就是4種組織對比Tissues Contrasts)進行訓練,然後對測試影像之cT1-w和FLAIR波序(2種MRI組織對比),全自動進行1)病灶識別、2)分割腫瘤與3)計算體積,再4)依RANO標準,得出腫瘤惡化時間(Time to Progression)作為療效指標並和中心讀片RANO結果比對。
  • 該ANN人工智慧演算法處理的RANO判讀,是一連串繁複、知識與經驗密集的工作集成。尤其,處理腦腫瘤4種MRI組織對比,比較現有市面上的影像AI產品,多處理單一影像組織對比與灰階分佈樣態(Patterns),確有過人之處。也期待,很快有其他癌症的應用。
 
參考資料:
  1. Ellingson, Benjamin M., et al. "Consensus recommendations for a standardized brain tumor imaging protocol in clinical trials." Neuro-oncology 17.9 (2015): 1188-1198.
  2. Wen, Patrick Y., et al. "Updated response assessment criteria for high-grade gliomas: response assessment in neuro-oncology working group." Journal of clinical oncology 28.11 (2010): 1963-1972.
  3. Kickingereder, Philipp, et al. "Automated quantitative tumour response assessment of MRI in neuro-oncology with artificial neural networks: a multicentre, retrospective study." The Lancet Oncology 20.5 (2019): 728-740.
 
<本文反映專家意見,不代表本站立場>
 
回應與交流: [email protected]
 
關於作者:
Albert Yen是圖遠生物科技創辦人兼總經理。投身醫學影像超過20年,並以其藥學背景和經驗,帶領圖遠生技的Imaging CRO團隊,為新藥、新醫材公司、CROs及研究機構臨床試驗提供醫學影像服務。