Predikce odezvy na neoadjuvantní chemoradiaci u rakoviny jícnu pomocí umělé inteligence a strojového učení (QARC)

U karcinomu jícnu je neoadjuvantní souběžná chemoradioterapie (NA-CCRT) následovaná chirurgickým zákrokem současným standardem péče a nashromáždil se dostatek důkazů podporujících názor, že kompletní patologická odpověď (pCR) je pozitivním prognostickým markerem pro lepší výsledky. Predikce pravděpodobnosti dosažení pCR před neoadjuvantní léčbou by mohla umožnit modifikaci léčebných protokolů u těch pacientů, u kterých je nepravděpodobné, že by dosáhli pCR.

Radiomics je novým hráčem na poli zobrazování, kde jsou specifické vlastnosti odvozeny z intenzity a rozložení vzoru pixelů na základě oblasti zájmu (ROI). Takto extrahované rysy lze poté použít pro predikční modelování podobně jako jiné soubory dat -omics. Byly provedeny předběžné výzkumy zkoumající jeho užitečnost a jeho aplikace se dosud zaměřovaly na screening a predikci přežití po léčbě. Vzhledem k vícerozměrné povaze dat extrahovaných pomocí radiomiky jsou metody umělé inteligence (AI) ideálně vhodné pro analýzu a modelování radiomických prvků.

Strojové učení (ML) a hluboké učení (DL) [využívající konvoluční neuronové sítě (CNN)] jsou součástí rámce umělé inteligence. Na rozdíl od ML je DL novým účastníkem a byl využíván některými lékařskými výzkumníky pro modelování pomocí algoritmů predikčního typu. Kromě výrazného snížení pracovního postupu spojeného s výzkumem založeným na Radiomics jsou inženýrství funkcí a modelování pomocí DL imunní vůči účinkům nesprávného vymezení ROI. Hlavním omezením DL je však efekt „blackboxu“, ve kterém není znám základní základ CNN. To bylo částečně zmírněno vizualizací aktivačních map přímo na souboru obrazových dat, aby se prokázala biologická věrohodnost předpovědí. Není také známa srovnávací výkonnost obou typů modelování.

Naším cílem je zkoumat pravděpodobnost pCR v naší studované populaci pomocí modelování založeného na radiomice ML a AI. Budeme také zkoumat srovnávací výkon obou modelovacích technik. Pro predikční modelování založené na DL se pokusíme poskytnout biologickou věrohodnost na základě aktivačních map.