A Self-supervised Multimodal Deep Learning Approach to Differentiate Post-radiotherapy Progression from Pseudoprogression in Glioblastoma

要約

膠芽腫（GBM）患者の放射線療法（RT）後の真の進行（TP）からの擬似プログレッション（PSP）の正確な分化は、最適な治療計画に不可欠です。
ただし、PSPとTPのイメージング特性が重複しているため、このタスクは依然として困難です。
したがって、この研究は、予測精度を改善するために、日常的な解剖学的MR画像、臨床パラメーター、およびRT治療計画情報からの補完的な情報を利用するマルチモーダルの深部学習アプローチを提案しています。
このアプローチは、自己監視視力変圧器（VIT）を利用して、マルチシーケンスMR脳の量をエンコードして、高次元の入力からグローバルおよびローカルの両方のコンテキストを効果的にキャプチャします。
エンコーダーは、Open Brats2021、Upenn-GBM、およびUCSF-PDGMデータセットからの非標識神経膠腫MRIデータセットの自己監視上の上流タスクでトレーニングされ、FlairおよびT1コントラスト後のシーケンスからコンパクトで臨床的に関連する表現を生成します。
次に、これらのエンコードされたMR入力は、ガイド付きクロスモーダルの注意を払って臨床データおよびRT治療計画情報と統合され、進行分類の精度が向上します。
この作業は、さまざまなセンターの2つのデータセットを使用して開発されました。トレーニングと検証のためのBurdenko Glioblastoma進行データセット（n = 59）と、テスト用の大学病院Erlangen（uker）（n = 20）のGLIOCMV進行データセットです。
提案された方法は75.3％のAUCを達成し、現在の最先端のデータ駆動型アプローチを上回りました。
重要なことに、提案されたアプローチは、容易に利用可能な解剖学的MRIシーケンス、臨床データ、およびRT治療計画情報に依存しており、その臨床的実現可能性を高めます。
提案されたアプローチは、PSPおよびTP分化の限られたデータの可用性の課題に対処し、GBM患者の臨床的意思決定と最適化された治療計画の改善を可能にする可能性があります。

要約(オリジナル)

Accurate differentiation of pseudoprogression (PsP) from True Progression (TP) following radiotherapy (RT) in glioblastoma (GBM) patients is crucial for optimal treatment planning. However, this task remains challenging due to the overlapping imaging characteristics of PsP and TP. This study therefore proposes a multimodal deep-learning approach utilizing complementary information from routine anatomical MR images, clinical parameters, and RT treatment planning information for improved predictive accuracy. The approach utilizes a self-supervised Vision Transformer (ViT) to encode multi-sequence MR brain volumes to effectively capture both global and local context from the high dimensional input. The encoder is trained in a self-supervised upstream task on unlabeled glioma MRI datasets from the open BraTS2021, UPenn-GBM, and UCSF-PDGM datasets to generate compact, clinically relevant representations from FLAIR and T1 post-contrast sequences. These encoded MR inputs are then integrated with clinical data and RT treatment planning information through guided cross-modal attention, improving progression classification accuracy. This work was developed using two datasets from different centers: the Burdenko Glioblastoma Progression Dataset (n = 59) for training and validation, and the GlioCMV progression dataset from the University Hospital Erlangen (UKER) (n = 20) for testing. The proposed method achieved an AUC of 75.3%, outperforming the current state-of-the-art data-driven approaches. Importantly, the proposed approach relies on readily available anatomical MRI sequences, clinical data, and RT treatment planning information, enhancing its clinical feasibility. The proposed approach addresses the challenge of limited data availability for PsP and TP differentiation and could allow for improved clinical decision-making and optimized treatment plans for GBM patients.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google