AI kan behandelresultaat voorspellen bij DLBCL

Uit een analyse van de HOVON84-studie blijkt dat een kunstmatige-intelligentiemethode die gebruikmaakt van PET/CT-scans het resultaat van de behandeling bij patiënten met diffuus grootcellig B-cellymfoom (DLBCL) kan voorspellen. Kwantitatieve parameters uit 18F-fluorodeoxyglucose (18F-FDG) PET/CT-scans geven inzicht in bepaalde kenmerken van de tumor, maar de scans zijn tijdrovend en de resultaten afhankelijk van de interpretatie van de waarnemer. De implementatie van kunstmatige intelligentie en convolutionele neurale netwerken kan deze taken mogelijk verminderen of vervangen.

Het doel van de analyse was het bestuderen van de haalbaarheid van een methode met maximale intensiteitsprojectie (MIP)-beelden van baseline 18F-FDG PET-CT-scans om de waarschijnlijkheid van de tijd tot progressie te voorspellen en deze te vergelijken met de al lang in de klinische praktijk gebruikte International Prognostic Index (IPI). Hiervoor analyseerden de onderzoekers 296 18F-FDG PET/CT-scans uit de HOVON84-studie. Deze gerandomiseerde fase 3-studie onderzocht het effect van vroege intensivering van rituximab in combinatie met tweewekelijkse CHOP-chemotherapie gevolgd door een onderhoudsbehandeling met rituximab bij patiënten met DLBCL.

Het convolutionele neurale netwerk gaf een voorspelling van de tijd tot progressie binnen twee jaar met een oppervlakte onder de curve (AUC) van 0,74, waarmee het beter presteerde dan het op IPI gebaseerde model met een AUC van 0,68. Hoewel verder onderzoek nodig is, maken deze bevindingen volgens de auteurs duidelijk dat op MIP gebaseerde netwerken geschikt zijn om het behandelresultaat bij DLBCL te voorspellen.