Konstrukce a validace hodnotícího modelu PCR po NAT na pacientech s rakovinou prsu s technologií AI

Rakovina prsu je celosvětově nejrozšířenější rakovinou u žen. Neoadjuvantní léčba (NAT) je součástí standardizované léčby karcinomu prsu a je zvláště důležitá u lokálně pokročilého karcinomu prsu. Četné studie prokázaly, že pacienti, kteří dosáhnou patologické kompletní odpovědi (pCR) po NAT, mohou mít lepší míru přežití bez onemocnění a celkové přežití, takže výhoda přežití radikální operace je méně významná. V současnosti však lze pCR posuzovat pouze patologickým testováním chirurgicky resekovaných vzorků a otázka, zda lze pCR přesně posoudit předoperačně, se stala naléhavou otázkou.

Technologie umělé inteligence (AI) je odvětví počítačové vědy, které se pokouší porozumět podstatě inteligence a vytvořit nový inteligentní stroj, který může reagovat podobným způsobem jako lidská inteligence, jejíž rozpoznávání obrazu je široce používáno v klinickém výzkumu jako důležitý součást AI. V posledních letech, s rozvojem umělé inteligence a souvisejících algoritmů, stále více výzkumníků pracuje na použití obrazových snímků k přesnějšímu stanovení účinnosti NAT a snaží se vyjmout zlomek pacientů, kteří dosáhnou pCR, od radikální operace a nikdy nedosáhnou lepší vzhled a kvalita přežití.

Simonův tým vybral 246 pacientů, kteří v letech 2006–2016 navštěvovali salcburské onkologické centrum v Austrálii, předoperačně si nechali přečíst DCE-MRI zobrazovacími vědci s více než 10 lety zkušeností a posoudili úplnou remisi, jen aby získali pesimističtější výsledek: pozitivní prediktivní hodnota pouze 48 %. Jinsunův tým vybral pacienty, kteří podstoupili NAT v Samsung Medical Center v letech 2007-2016. Výsledky ukázaly, že hodnota kappa testu shody mezi radiologickou kompletní odpovědí (rCR) a pCR prsu byla 0,459 a hodnota kappa testu shody mezi axilárním rCR a axilárním pCR Týmy Woo a Erika analyzovaly podskupiny, které vedly k falešným negativní MRI stanovení pCR a naznačovalo, že pacienti s G1-2, podtypy Luminal A/B a nehrudkujícím zvětšením měli potíže s hodnocením kompletní remise pomocí MRI. Je zřejmé, že je nyní obtížné použít tradiční modelovací přístupy pro pCR ke stanovení úrovně klinické aplikace.

Elizabethin tým použil předoperační MRI, technologii AI pro extrakci rysů a klinickopatologické informace ke konstrukci modelu stanovení pCR, který fungoval dobře v nezávislém validačním souboru s AUC 0,83 (95% CI: 0,71-0,94). Imonův tým použil extrakci Rieszových funkcí ke stanovení pCR u trojitě negativních pacientek s rakovinou prsu podstupujících NAT a konečný model ROC dosáhl 0,85. Tým profesora Yanga Fana z Radiologického oddělení nemocnice Wuhan Union Medical College Hospital, Wuhan, Čína, použil k sestavení modelu vícefázové parametry DCE-MRI a algoritmy strojového učení a nejvyšší oblast ROC pod křivkou dosáhla 0,919. Výše uvedené výsledky ukazují, že pCR určovací model zobrazovací histologie s technologií AI je velkým zlepšením ve srovnání s tradičním modelem.

Přestože rostoucí počet studií potvrdil důležitost zobrazovací histologie pro stanovení NAT pCR, mnoho současných studií má určité nedostatky. Při hodnocení pomocí mezinárodního standardního skóre zobrazovací histologie RQS bylo zjištěno, že většina studií: (i) postrádala externí validační kohorty; (ii) neposkytli vhodné popisy extrakce parametrů; (iii) postrádal standardizovaný proces pro zobrazovací parametry; a (iv) měly malé velikosti vzorků. Proto musí většina výzkumníků ještě provést systematičtější a standardizované studie.

Tento projekt proto plánuje vytvořit a ověřit model pro stanovení pCR po NAT u karcinomu prsu na základě klinických informací, zobrazovacích a patologických informací pacientek s karcinomem prsu ve více centrech využívajících technologii umělé inteligence v souladu s mezinárodními směrnicemi a domácím konsensem odborníků o prsu. rakovina NAT, s cílem vyřešit problém rozhodování o chirurgickém zákroku u pacientů po NAT, spojením odborníků z oddělení prsní medicíny, chirurgie, patologie a zobrazovacích oddělení v několika nemocnicích terciární péče po celé Číně. Model bude validován, aby vyřešil problém chirurgického rozhodování u pacientů po NAT.