Vývoj, bezpečnost a proveditelnost platformy založené na umělé inteligenci (NodeAI) pro predikci malignity mediastinálních lymfatických uzlin v reálném čase během endobronchiálního ultrazvukového stagingu rakoviny plic (NodeAI)

Rakovina plic je celosvětově hlavní příčinou ročních úmrtí na rakovinu, více než rakovina prsu, prostaty a tlustého střeva dohromady. Stanovení stagingu hrudních lymfatických uzlin (LN) je zásadním krokem v diagnostice rakoviny plic, protože pomáhá při rozhodování o léčbě – zda ​​je pacient kandidátem na plicní resekci, chemoterapii, ozařování nebo multimodální léčbu. Endobronchiální ultrazvuková transbronchiální jehlová aspirace (EBUS-TBNA) je současným standardem pro stanovení stagingu hrudních uzlin u nemalobuněčného karcinomu plic (NSCLC) a směrnice nařizují, aby bylo rutinně prováděno systematické odběry vzorků (SS) alespoň ze 3 hrudních LN stanic pro přesné inscenování. Bohužel EBUS-TBNA přináší nepřesné výsledky u 40 % pacientů, což vede k nesprávným rozhodnutím o léčbě. Tento podíl je mnohem vyšší u pacientů s trojitým normálním LN [LN, které se zdají být normální na skenech počítačové tomografie (CT), skenech pozitronové emisní tomografie (PET) a EBUS], u nichž bylo zjištěno, že mají > 93% pravděpodobnost, že budou skutečně benigní. Je tomu tak proto, že EBUS-TBNA je založen na ultrazvuku, jehož úspěšnost velmi závisí na dovednosti osoby, která jej provádí (operátora). Když operátor udělá chybu, celý postup je ohrožen. To způsobuje zpoždění v léčbě následkem opakovaného testování a špatně informovaných rozhodnutí o léčbě.

Během posledního desetiletí prováděl výzkumný pracovník řadu výzkumných studií a studií: vývoj a validace skóre kanadských lymfatických uzlin (CLNS) – semikvantitativní měření LN malignity odvozené od chirurga; verze CLNS založená na umělé inteligenci pro predikci malignity; a plně autonomní AI, která se naučila předpovídat malignitu přímo z ultrazvukových snímků, aby zavedla AI do rozhodovacího procesu u NSCLC. To vedlo k vytvoření softwaru poháněného umělou inteligencí pro predikci malignity v mediastinálních LN pacientů s rakovinou plic. Software je v současné době umístěn v cloudovém úložišti a jeho aplikace jsou latentní – což znamená, že obrázky LN musí být nahrány do softwaru a výsledky jsou přijímány v budoucnu. Ve své současné podobě není software kvůli této latenci připraven pro klinickou aplikaci. V tomto projektu si výzkumník klade za cíl sestavit zařízení point-of-care, které bude obsahovat software (NodeAI) a poskytne chirurgovi výsledky v reálném čase, a toto zařízení bude testováno v klinické studii.