克服胶质母细胞瘤深度学习模型转化挑战:ZGBM联盟
ZGBM联盟分析五家中心各5例胶质母细胞瘤患者的MRI数据,发现各中心影像协议与排程差异大;所有中心均做结构成像,扩散MRI是最常见的非结构成像,灌注成像仅三家中心开展;结论认为影像协议和排程在英国各中心间存在差异,使深度学习模型在其他中心稳健应用面临挑战。
要点
- 各中心在治疗路径各阶段均做全部结构成像,但部分中心术前仅做增强T1加权成像。
- 扩散MRI是最常见的非结构成像,各中心均开展;灌注成像仅三家中心开展过。
- 结构成像在各中心间执行最为一致,非结构成像执行不规律。
核心结论
- 英国各中心胶质母细胞瘤影像协议和排程存在差异,使开发能在其他中心稳健应用的机器学习模型面临挑战。
- 结构成像在各中心间执行最为一致;深度学习模型的成功转化可能将基于结构性的治疗后成像,除非对非结构或围手术期影像协议和排程进行显著标准化。
研究设计与样本
- ZGBM联盟为英国多家神经肿瘤中心合作组织,目前由英格兰、苏格兰和威尔士的16家NHS信托组成,已收集超过500例患者的回顾性数据集。
- 前瞻性队列正在招募新诊断并接受Stupp方案治疗的胶质母细胞瘤患者,目标招募350例,预计在2022年5月22日招募结束时超过目标。
- 本研究分析前瞻性队列中五个参与中心各随机抽取5例患者的MR影像数据,并结合临床与治疗数据及DICOM头信息。
关键影像表现/征象
- 各中心在治疗路径各阶段均做全部结构成像(T1、T1POST、T2、FLAIR),但术前检查部分中心仅做增强T1加权成像。
临床应用与阅片要点
- 作者认为未来工作应聚焦于英国各中心常用且不依赖治疗前影像的结构成像,因为此类扫描相比随访监测影像更为稀缺。
- 作者计划将AI模型开发为MONAI Deploy应用,验证后可整合入临床工作流程。
局限性
- 本文为初步研究,每个中心仅抽取5例患者,用于说明中心间影像协议差异。
全文中译1 节 · 点击展开
人工智能(AI)计算机视觉方法在医学应用中已取得可喜进展,例如使用深度学习,这些方法有潜力改善胶质母细胞瘤患者的临床管理。1 现有研究临床转化的一个挑战是缺乏对这些方法的大规模外部验证,以及依赖常规实践中不常采集的先进成像技术,例如灌注MRI。2 这意味着迄今为止,这些应用成像方法尚未在胶质母细胞瘤患者中实现临床转化,尽管类似技术在中风等神经系统疾病中日益常见,并已在随机对照试验中使用。3,4
ZGBM(胶质母细胞瘤zeugmatography)联盟是英国领先神经肿瘤中心的合作组织,致力于应对这些挑战,从而改善胶质母细胞瘤患者的治疗。该联盟目前由英格兰、苏格兰和威尔士的16个NHS信托组成,已收集了500多名患者的回顾性数据集。该联盟正在前瞻性招募新诊断的胶质母细胞瘤并接受Stupp治疗方案的患者。5 前瞻性队列的目标招募人数为350名患者,然而,根据该联盟目前的招募速度,预计到2022年5月22日招募结束时,总招募人数将超过目标。
回顾性队列将用于开发AI模型,这些模型能够区分进展与假性进展,并理解治疗后影像随访中肿瘤的演变。然后,这些AI模型将在前瞻性外部队列中进行测试,以衡量其在完全独立数据集中的性能,从而使我们能够确保在使用不同MRI扫描仪制造商和扫描参数进行成像的胶质母细胞瘤患者中保持高准确性。
该研究涉及三项关键创新,将有助于将这些方法转化为临床实践:将输入数据限制为NHS常规采集的结构成像数据,并整合图像归一化技术,以进一步减少机构间成像差异的影响。
整合治疗数据,包括放疗治疗计划,以评估影像表型,因为先前的工作表明,放疗剂量与MRI信号之间存在相关性。6
将模型开发为MONAI Deploy应用7,一旦验证通过,可轻松整合到临床工作流程中。
以下机构是ZGBM联盟的成员(图1),并承诺提供纵向MR图像以及治疗和临床信息:国王学院医院NHS基金会信托、盖伊和圣托马斯NHS基金会信托、NHS泰赛德、克里斯蒂NHS基金会信托、赫尔大学教学医院NHS信托、兰开夏教学医院NHS信托、萨塞克斯大学医院NHS基金会信托、纽卡斯尔医院NHS基金会信托、皇家马斯登NHS基金会信托、威尔士大学NHS信托、利兹教学医院NHS信托、伦敦大学学院医院NHS基金会信托、帝国理工学院伦敦医院NHS基金会信托、巴茨健康NHS信托、诺丁汉大学医院NHS信托和普利茅斯大学医院NHS信托。
该联盟已收集并汇总了一套初始的前瞻性影像数据,以了解各成员机构之间影像采集方案(包括时间安排)的差异程度。为便于说明,每个中心选取5名受试者作为样本进行调查,以了解各中心之间以及患者之间影像采集方案的差异。本初步研究纳入了5个中心。表1详细列出了各中心作为常规诊疗的一部分对胶质母细胞瘤患者所进行的影像学检查,按这些检查与治疗里程碑(如手术或放化疗结束)的关系以及所采集的图像对比进行分类。
从表1所呈现的数据可以看出,影像检查时间安排存在很大差异,这在预期之中。8例如,第2中心仅在术前和监测阶段进行影像检查,而第4中心则在术前、术后和治疗前阶段以及监测阶段均进行影像检查。
各中心之间以及各研究时间点之间的扫描方案也存在很大差异,这在预期之中。8大多数中心在每个时间点均进行全部结构成像(T1、T1POST、T2、FLAIR),但术前研究除外,因为部分中心在术前仅进行T1POST。除结构成像外,非结构成像开展很少,而且即使开展也不规律,这同样在预期之中。8扩散MRI是最常见的非结构成像类型,每个中心均有开展。有一个中心比其他任何中心都更规律地开展磁敏感加权成像(SWI),而有两个中心完全未开展。高级MRI技术,包括灌注成像(动态磁敏感对比(DSC)、动态对比增强(DCE)、动脉自旋标记(ASL)),则更不常见,六个中心中仅有三个开展过任何灌注成像。
从这些使用英国各地真实世界(“实用性”)影像采集方案和随访时间安排的MR图像所获得的早期结果可以清楚地看出,开发胶质母细胞瘤深度学习模型的核心挑战之一将是缺乏标准化影像。为克服这些挑战,未来的工作必须重点关注英国各地普遍可获得且不依赖于治疗前影像(包括围手术期影像)的常用图像(如结构图像),因为与随访监测影像相比,此类扫描较为稀少。
总之,ZGBM联盟代表了为胶质母细胞瘤患者提供诊疗服务的多元化机构群体,其宗旨是前瞻性验证深度学习技术,以指导和改善这些患者的管理。虽然我们已经开始评估英国各地在MRI排程和成像方案方面的一些差异,但我们热切希望扩大联盟规模,以确保我们的结果能够尽快在全英国国家医疗服务体系(NHS)中推广应用,因此欢迎更多成员和贡献者加入。
引用
- Shuaib H, Barker GJ, Sasieni P, et al. Overcoming challenges of translating deep-learning models for glioblastoma: the ZGBM consortium. Br J Radiol. 2022. PMID: 35616700. doi:10.1259/bjr.20220206
- 全文:PMC10997010(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10997010/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。