Image Mining a ctDNA pro zlepšení stratifikace rizik a predikce výsledků v NSCLC s použitím umělé inteligence.

Naší ústřední hypotézou je, že zvláštní vlastnosti odvozené z obrazu a genetické charakteristiky jsou v souladu se stádiem onemocnění a výsledkem pacienta. Jsou tedy biomarkery zátěže onemocněním a relapsu, které lze neinvazivně hodnotit. Kombinace dat pocházejících z lékařského zobrazování a cirkulující bezbuněčné nádorové DNA (ctDNA) pomocí metod umělé inteligence může poskytnout přesné stanovení stadia a predikci výsledku. Tato hypotéza byla formulována na základě důkazů, že lékařské snímky jsou schopny poskytnout smysluplná data odrážející charakteristiky nádoru, zachycující vnitřní heterogenitu nádoru, neinvazivně, za použití celotělového hodnocení a hodnocení celé léze. Ve skutečnosti byla v posledních letech prozkoumána pokročilá analýza lékařského zobrazování pomocí radiomiky, strojového učení nebo v kombinaci - dolování obrazu. Biomarkery odvozené z obrazu, pomocí extrakce texturních prvků a aplikace konvoluční neuronové sítě, byly testovány, aby poskytly informace o „fenotypu“ (maligní vs benigní a identifikace histotypu a staging T nebo N. Kromě toho byly ukázány korelace mezi kvantitativními rysy odvozenými z obrazu se vzory exprese tkáňových genů, což spojuje zobrazovací fenotypy s genotypem, jak je také ukázáno v našich předběžných datech. Za druhé, byl navržen přístup dolování obrazu pro poskytnutí prognostických informací při základním hodnocení, jak je také ukázáno v naší předchozí práci. Přesto bylo publikováno několik prospektivních studií s robustním metodologickým přístupem. Na druhé straně byla jako alternativní metoda pro hodnocení onemocnění v různých fázích navržena analýza cirkulující bezbuněčné nádorové DNA (ctDNA) izolované z plazmy pacientů s rakovinou plic. Zejména při diagnóze, pooperační detekci reziduálního onemocnění, identifikaci mutací v metastatickém nastavení pro vedení léčby a sledování léčebné odpovědi. I když byla ctDNA detekována u pacientů se všemi stádii NSCLC s hladinami zvyšujícími se se stádiem a nádorovou zátěží, informace o ctDNA dosud nebyly pro účely stanovení stádia prozkoumány. Možnost detekovat nádor v časné fázi jeho rozvoje nebo recidivy se musí potýkat s problémem nízkého množství cfDNA u pacientů s minimální zátěží onemocněním. Navíc přítomnost parafyziologického pozadí ctDNA, zejména u starších lidí, ovlivňuje specifičnost. V tomto ohledu vyšetřovatelé očekávají, že kombinace různých biomarkerů umožní tento problém vyřešit. Analytika umělé inteligence je stále více popsána ve zdravotnických aplikacích. V posledních letech byly k analýze genomických, proteomických, klinických dat a radiografických charakteristik aplikovány metody strojového učení pod dohledem, částečně pod dohledem a bez dozoru. Metody hlubokého učení nabízejí příležitosti pro komplexní analýzu vícerozměrných dat pro lepší predikci prognózy. Důvodem pro navrhovaný projekt je, že jakmile bude známo, které zobrazovací vlastnosti a informace odvozené z ctDNA jsou spojeny se stádiem nádoru a pooperačním rizikem relapsu, vyvinutý algoritmus bude účinným a inovativním přístupem jak pro staging, tak pro sledování. -výběr pacientů postižených rakovinou plic s důsledky pro rozhodování v klinické praxi.