Het deep learning algoritme Lung Cancer Prediction Convolutional Neural Network (LCP CNN) berekent, op basis van CT-scans, wat het risico is dat een longnodule kwaadaardig is. Dit wordt uitgedrukt in de Nodule Risk Score (NRS). Het verloop van deze risicoscore over de tijd verschilt tussen maligne en benigne longnodules.
Indeterminate pulmonary nodules (IPN’s) zijn longnodules waarvan niet duidelijk is of ze maligne zijn. Er bestaan verschillende modellen om te bepalen hoe groot de kans is op maligniteit. Een daarvan is het LCP CNN-model. Dit model is gebaseerd op eenmalige CT-scans. Veranderingen in grootte of morfologie van de IPN over de tijd kunnen echter aanleiding geven voor nader onderzoek. Amerikaanse onderzoekers bestudeerden of longitudinale meting van de NRS bijdraagt aan een betere risicostratificatie van IPN’s.
Bij de studiedeelnemers, die IPN’s hadden met een grootte tussen 6 en 30 mm, bepaalden zij op meerdere momenten de NRS. Hiervoor maakten zij CT-scans op baseline en na 3, 6, 12, 24, 36, 48 en 60 maanden. Van iedere studiedeelnemer waren, voorafgaand aan de diagnose, ten minste drie opeenvolgende scans beschikbaar. De diagnose werd gesteld met behulp van een biopsie (maligne/benigne) of op basis van longitudinale beeldvorming als er ten minste twee jaar geen groei zichtbaar was.
48 longnodules bleken benigne en 36 maligne. De NRS voor de maligne nodules steeg significant tussen 0 en 3 maanden (gemiddeld 5,22%), 3 en 6 maanden (3,75%), 6 en 12 maanden (7,20%) en tussen 12 en 24 maanden (6,82%). De score voor de benigne tumoren nam tussen 3 en 6 maanden en tussen 12 en 24 maanden iets af (respectievelijk 1,85 en 1,89%). Het onderscheidend vermogen van de NRS verbeterde over de tijd. Dit kwam vooral door de toename in de score voor de maligne longnodules.
De onderzoekers concluderen dat het belangrijk is om veranderingen over de tijd te monitoren bij de evaluatie van IPN’s. De huidige studie laat zien dat het verloop van de NRS over de tijd verschilt tussen benigne en maligne modules.
Bron: