Forudsigelse af respons på neoadjuvant kemoradiation i esophageal cancer ved hjælp af kunstig intelligens og maskinlæring (QARC)

I esophageal carcinom er neoadjuverende samtidig kemo-radioterapi (NA-CCRT) efterfulgt af kirurgi den nuværende standard for pleje, og der er ophobet rigelig dokumentation, der understøtter synspunktet om, at komplet patologisk respons (pCR) er en positiv prognostisk markør for forbedrede resultater. Forudsigelse af sandsynligheden for at opnå pCR før neoadjuverende behandling kunne tillade modifikation af behandlingsprotokoller for de patienter, der sandsynligvis ikke opnår pCR.

Radiomics er en ny aktør inden for billeddannelse, hvor specifikke egenskaber er afledt af intensiteten og distributionsmønsteret af pixels baseret på et område af interesse (ROI). De således ekstraherede funktioner kan derefter bruges til forudsigelsesmodellering svarende til andre -omics-datasæt. Foreløbige undersøgelser af dets nytte er blevet udført, og dets anvendelser har indtil videre fokuseret på screening og forudsigelse af overlevelse efter behandling. På grund af den multidimensionelle karakter af data ekstraheret ved hjælp af radiomik, er kunstig intelligens (AI) metoder ideelt egnede til at analysere og modellere radiomiske funktioner.

Machine Learning (ML) og Deep Learning (DL) [ved hjælp af Convolutional Neural Networks (CNN)] er begge en del af AI-rammen. I modsætning til ML er DL en ny aktør og er blevet brugt af nogle medicinske forskere til modellering ved hjælp af algoritmer af forudsigelsestype. Udover at reducere arbejdsgangen i forbindelse med radiomiks-baseret forskning væsentligt, er funktionsudvikling og modellering ved hjælp af DL immune over for virkningerne af ukorrekt ROI-afgrænsning. Den største begrænsning af DL er dog 'blackbox'-effekten, hvor det underliggende grundlag for et CNN ikke er kendt. Dette er delvist blevet mildnet ved visualisering af aktiveringskort direkte på billeddatasættet for at bevise biologisk plausibilitet af forudsigelser. Den komparative ydeevne af begge typer modellering er heller ikke kendt.

Vores mål er at undersøge sandsynligheden for pCR i vores undersøgelsespopulation ved hjælp af radiomik-baseret ML og AI-baseret modellering. Vi vil også undersøge den komparative ydeevne af begge modelleringsteknikker. For DL-baseret forudsigelsesmodellering vil vi forsøge at give biologisk plausibilitet på basis af aktiveringskort.