Kunstig intelligens til planlægning af behandling af prostatakræft

FASE 1

1. Udvikle en proces og værktøjer (DAST) til at indfange rationalet, kriterierne og det logiske grundlag bag behandlingsplanlægningsprocessen ved at bruge velforståede Human Factors videnindsamlingsmetoder og maskinlæringsværktøjer.
2. Byg AI-teknologien for at lære processen og anvende den til at generere behandlingsplaner. Billeder og eksperttegnede bind fra Radiation Therapy Oncology Group (RTOG) 0938 vil blive brugt til indledende træning af AI-systemet. Disse data er ikke Dartmouth-Hitchcock Medical Center (DHMC)-patienter, men blev snarere givet samtykke og erhvervet gennem RTOG 0938. Disse data er placeret i NRG/RTOG-hovedkvarteret i Philadelphia. NRG har allerede en etableret, IRB-godkendt protokol til at udforske AI-systemer til 0938-datasættet. Mindst 30 cases vil blive brugt til dette indledende træningsarbejde for AI-systemet for at "lære" volumensegmentering af vigtige strukturer og mål. Yderligere patienter fra de tilgængelige 200+ patienter på 0938 kan tilføjes for yderligere AI-indlæring af volumensegmentering, efterhånden som indledende softwareprogrammering implementeres.

3. Bestem det optimale antal historiske behandlingsplaner for at træne AI-teknologien og teste den. 45 tilfælde vil blive leveret af NRG fra NRG/RTOG-undersøgelserne 0415, 0126 og 0521 (i alt 135 tilfælde), der repræsenterer henholdsvis gunstige, mellemliggende og højrisiko-prostatacancerbehandlinger. Disse scanninger og ekspertdefinerede mængder er en del af NRG-datasæt i Philadelphia. Alle disse patienter har allerede underskrevet undersøgelsesspecifikke samtykker, som inkluderede tilladelser til at tillade personlig specifik klinisk information at blive brugt til andre kræftrelaterede undersøgelser. IRB-gennemgang af brugen af ​​disse data til denne specifikke undersøgelse forventes at blive opnået gennem NRG-mekanismer i forbindelse med disse forudgående samtykker for at sikre, at brugen af ​​disse data til denne specifikke AI-undersøgelse er passende og godkendt. Der forventes i alt 30 yderligere patienttilfælde som "guldstandarder", 10 hver fra henholdsvis DHMC, University of Massachusetts (UMass) og Oregon Health Sciences University (OHSU), alle oprindeligt planlagt og behandlet inden for 2015-2018 tidsramme. De første 5 fra hver institution vil være gunstige risikopatienter, og de næste 5 fra hver institution vil være højrisikopatienter (derved opnås en bred vifte af behandlingstilgange, med flere, der skal tilføjes efterfølgende). Som en del af denne indsats vil hver enkelt institution kontakte sine egne specifikke patienter (5 gunstige-risiko, 5 høj-risiko) for at opnå undersøgelsesspecifikt samtykke til brugen af ​​deres data til denne protokol. Når de er anonymiserede, vil disse scanninger og planer blive delt på tværs af alle tre institutioner. For hver af disse patienter vil de to andre ("ikke-værts") institutioner skabe deres egne bind og planer. Ved hjælp af en modificeret Delphi-tilgang vil de tre teams derefter mødes for at udarbejde en aftalt "sammensat" plan for hver patient. Således vil der i alt være fire behandlingsplaner for hver af disse 30 patienter, hvilket giver 120 samlede planer, der vil fungere som "guldstandarden" for dette AI-projekt, og som vil blive indlæst til test/validering til AI-systemet.

   FASE 2

4. Udvid databasen til at omfatte patienter med mellemrisiko, henholdsvis 5 fra hver institution, ved at følge ovenstående procedurer, for at give yderligere 60 planer til at tjene som yderligere input til AI-systemet.
5. Valider og test AI-teknologien ved at indtaste patientbilleder og målafgrænsninger fra historiske casedata og vurdere, om de AI-teknologigenererede planer er "konsistente" med de endelige planer, der blev oprettet af ekspertklinikere.
6. Test teknologien med nye patientdata, og valider planen med et team af ekspertklinikere. Dette vil involvere "modificerede Turing-tests", som udviklet i NRG-RTOG-studier, der udforsker AI-applikationer.