AI-billedanalyse af PET/CT forudsiger outcomes ved CAR-T-behandling af LBCL
ICML: Deep learning-baseret analyse af FDG-PET/CT-billeder taget før behandling forudsiger outcomes efter 12-måneder hos patienter med relaps eller refraktær storcellet B-cellelymfom (LBCL) behandlet med CAR-T-celleterapien Kymriah (tisagenlecleucel, tisa-cel).
Det viser data fra en analyse af billedmateriale fra JULIET-studiet, som blev præsenteret som late breaking abstract (LBA) ved den internationale konference for malignt lymfom (ICML 2025) i Lugano i midten af juli (abstract #LBA4).
I studiet blev der analyseret FDG-PET/CT-billeder taget før behandling med tisa-cel hos 70 voksne patienter med relaps eller refraktær LBCL. Til analysen blev der anvendt en deep learning-model. Billedsættene omfattede tre på hinanden følgende snit fra nodale læsioner i hals og/eller thorax fra både FDG-PET og lavdosis-CT. Data stammede fra 27 hospitaler i 10 lande og var optaget på 15 forskellige scannermodeller fra tre producenter.
Patient-outcomes ved 12 måneder blev defineret som enten responders (komplet respons) eller non-responders (partielt respons, stabil sygdom eller progression). 13 patienter var responders, og 57 var non-responders.
Modellen forudsagde 12-måneders outcomes med en sensitivitet på 77 procent (korrekt identificerede responders) og en specificitet på 42 procent (korrekt identificerede non-responders). Den negative prædiktive værdi var 89 procent, og den positive prædiktive værdi var 24 procent.
